Regulární výrazy II
Práce s daty, 2. března 2023
Tři části regulárního výrazu
1. Vyhledávací (přiřazovací) maska
2. Substituční (nahrazovací) předpis
3. Modifikátory regulárního výrazu
Jednořádkový zápis:
/maska/substituce/modifikátory
Např. obalení slov uvozovkami:
/[a-z]+/"$&"/gmi
Modifikátory regulárního výrazu
Modifikátor = písmeno na konci RE (za zvoleným oddělovačem):
• g = global – hledá všechny shody v zadaném textu
• m = multiline – ^ a $ označují začátek a konec každého řádku
• s = singleline (dotall) – metaznak tečka vyhovuje i konci řádku
• i = insensitive – nerozlišuje se velikost písmen
• U = ungreedy (lazy) – líný způsob vyhledávání v textu
• u = unicode – podpora národních abeced
Modifikátory lze kombinovat, např. /gmiU
Líný versus lačný způsob vyhledávání
Text: <b>tučně</b> normálně <b>tučně</b>
RE: <b>.*<\/b>
Greedy (lačný, nenasytný) – as much as possible
• Hledá co nejdelší řetězec vyhovující zadání --> vyhoví celý řetězec
Lazy (líný, pohodlný) – as much as needed
• Hledá co nejkratší řetězec --> vyhoví jenom <b>tučně</b>
• Líný může být i jenom kvantifikátor: a+?, a*?, a{3,8}?
Unicode rozšíření v regulárních výrazech
Přidává třídu metaznaků \p{…}
• \p{L} - písmena: Ll - malá, Lu - velká, Lo -- ostatní, …
• \p{N} - čísla: Nd - desítková, Nl - písmenková (Ⅷ), No - ostatní (¼), …
• \p{S} - symboly: Sc - měny (€, ¥), Sm - matematické, So - ostatní, …
• a dále interpunkce, oddělovače, kontrolní znaky, …
V závislosti na použitém nástroji může být rozšířen význam \w
Více informací např. na https://javascript.info/regexp-unicode
Substituce
Nalezená shoda bude nahrazena uvedeným předpisem:
• /Ing/Mgr/ – titul Ing. bude nahrazen titulem Mgr.
• /Bc\. ?// – titul Bc. bude smazán (tj. předpis může být prázdný)
V substituci se lze odkazovat na nalezenou shodu či skupinu:
• /(Ing|Mgr)/Dipl. $1/ – Ing. → Dipl. Ing. a Mgr. → Dipl. Mgr.
• /(.*)\t(.*)/$2\t$1/ – prohození pořadí hodnot
• Starší způsob odkazování používá zpětné lomítko, např. \1, \2, …
• Tímto způsobem se lze odkazovat i v rámci vyhledávací části RE!
Cvičení I
• Zapište RE, které budou validovat
1. Jméno a příjmení včetně diakritiky
2. Dvakrát to stejné slovo za sebou
• Zapište RE včetně substituce, který…
1. Vymaže značky z HTML dokumentu
• A) všechny, B) jen ty bez dalších vnořených značek
2. Přeformátuje datum z tvaru 20230302
• A) do podoby 02. 03. 2023 B) do podoby 2. 3. 2023
Cvičení I – řešení
• Jméno a příjmení s diakritikou – \p{Lu}\p{Ll}+ \p{Lu}\p{Ll}+
• Stejné slovo dvakrát za sebou – \s(.+)\s+\1
• Výmaz všech značek HTML – <(.+)>/$2/gmU
• Výmaz značek bez dalších vnořených značek
• <(.+)>(.*)<\/\1>/$2/gmU
• Přeformátované datum
• S nulami – ^(\d{4})(\d{2})(\d{2})$/$3. $2. $1/gm
• Bez nul – ^(\d{4})(0(\d)|(1[0-2]))(0(\d)|([1-3]\d))$
/$6$7. $3$4. $1/gm
Konstrukce RE začínající znaky (?
Pomocí vnořených částí RE ve tvaru (? … ) se tvoří
• Vnořené modifikátory
• (?isx-m)– lze je zapínat a vypínat v průběhu RE
• Rozhlédnutí – lookarounds
• (?= … ) – lookahead (koukáme dopředu); (?! … ) – negace podmínky
• (?<= … ) – lookbehind (koukáme zpět); (?<! … ) – negace podmínky
• Skupiny, jejichž obsahuje si nepotřebujeme pamatovat
• (?: … ) – v angličtině non-capturing groups
• Testování podmínky – conditionals
• (?(A)B) nebo (?(A)B|C) – pokud platí A, pak B (jinak C)
Příklady použití lookarounds
• (?=rum) – vyžaduje, aby od stávající pozice následoval rum
• (?!rum) – vyžaduje, aby od stávající pozice nenásledoval rum
• (?<=rum) – vyžaduje, aby to, co bezprostředně předchází stávající
pozici, byl rum
• (?<!rum) – vyžaduje, aby to, co bezprostředně předchází stávající
pozici, nebyl rum
• ^(?=.*A).*$ – vybere celý řádek, který obsahuje písmeno A
• (?i)(?![áé])\p{L} – vybere každé písmeno kromě á, é a Á, É
• Ale pozor, modifikátor pro unicode musí být povolen až na konci RE!
Cvičení II
1. Otestujte, zda zvolené heslo vyhovuje kritériím:
• alespoň 8 znaků dlouhé
• alespoň jedno číslo
• alespoň jedno velké písmeno
2. Jmenný seznam učitelů s jejich tituly rozdělte do tří sloupců
• Tituly před jménem
• Samotné jméno bez titulů
• Tituly za jménem
Cvičení II – řešení
• Otestování hesla
^(?=\w{8,}$)(?=[^A-Z]*[A-Z])(?=\D*\d).*
• Rozdělení jmenného seznamu s tituly do tří sloupců
((?:Bc\. |Ing\. |Mgr\. |prof\. |doc\. |RNDr\. )*)
(?<=\. |^)([^,\n]+)(?:, (.+))?
$1\t$2\t$3
gm
Kde se RE dají používat
• Programovací jazyky
• Java, JavaScript, Python, PHP, .NET, C#, Perl, …
• SQL databáze
• MariaDB, MySQL, PostgreSQL, Oracle, …
• Analyzátory dat
• R, Matlab, …
• Editory
• SciTe, EditPad Lite, LibreOffice
• a na mnoha dalších místech, kde se pracuje s daty