Regulární výrazy

Tomáš Pitner, Radek Ošlejšek

Vtip

Regex is not easy - Regex Humor

Co jsou regulární výrazy?

  • Velmi často používané konstrukce pro hledání v řetězcích.

  • Například pomocí nich lze ověřit, že řetězec by mohl být validní e-mailová adresa.

  • Používají se tedy například pro validaci vstupů.

  • Zvládnutí aspoň an základní úrovni je skoro nezbytností - často i pro neprogramátory.

  • Bohužel v česko-slovenském (a jiném) prostředí s diakritikou přináší zrovna javová implementace potíže.

  • Povšechné, ne javové, info k regex je také na https://www.regularnivyrazy.info/

Regex v Javě a jinde

  • Fakticky jsou to výrazy definující tzv. regulární (formální) gramatiky dle Chomského hierarchie.

  • Valná většina pg. jazyků umí nějakou formu interpretace regulárních výrazů.

  • Javové regulární výrazy (slangově regex) jsou syntakticky podobné jako např. v Perlu.

  • Mírně, nikoli principiálně, se liší od regexů v grep, Python, PHP, awk, sed.

Podpora regex v Javě

  • Balík java.util.regex se skládá ze tří tříd:

    Objekt Pattern

    je zkompilovaný regex. Chceme-li jej vytvořit, musíme nejprve zavolat jednu z veřejných statických metod. Tyto metody přijímají jako první argument regulární výraz ve formě řetězce a vracejí ho zkompilovaný v objektu Pattern.

    Objekt Matcher

    interpretuje Pattern a provádí operace porovnání se vstupním řetězcem typu String. Objekt Matcher získáme voláním metody matcher na objektu Pattern.

    Objekt PatternSyntaxException

    je nehlídaná výjimka, která indikuje syntaktickou chybu v regulárním výrazu.

Práce s regex

// string with a regex
String regex = ".";
// compiled regex pattern
Pattern pattern = Pattern.compile(regex);
// pattern used to match a given text
Matcher matcher = pattern.matcher(text);
// may match 0 or more time
int matches = 0;
while (matcher.find()) {
   matches++;
}

Jednou zkompiluj, vícekrát použij

private static final Pattern keyValuePattern
   = Pattern.compile("^([^\\:]+)\\:(.*)");

private String[] keyValue(String text) {
   Matcher matcher = pattern.matcher(text);
   return matcher.find();
}

Příklad regexu

  • Je zkoumaný řetězec názvem javového souboru s názvem začínajícím na Exx, kde xx jsou dvě číslice?

  • Regex bude ^E\d\d.*\.java.

  • ^E znamená, že zkoumaný řetězec začíná na E,

  • následují právě dvě číslice dané \d\d, kde \d je jedna číslice 0..9,

  • dále .* je libovolně dlouhá (i prázdná) sekvence libovolných znaků

  • \. je znak tečka,

  • java je sekvence čtyř znaků "java".

Metaznaky

  • [] - vymezení třídy znaků - v závorkách je množina znaků, výraz odpovídá kterémukoli ze znaků ze třídy

  • v Javě musíme backslash v řetězcovém literálu zdvojit

  • "\\t" - regulární výraz pro tabelátor zapsaný formou řetězce

Třídy znaků (classes)

[abc]

odpovídá libovolnému ze znaků uvedených v [], tedy v řetězci cba je tento regulární výraz obsažen hned 3x.

[a-z]

všechna malá písmena (ASCII, bez diakritiky).

[^a-z]

všechno kromě malých písmen z ASCII, bez diakritiky.

[^abc]

neguje třídu znaků, tzn. odpovídá libovolnému znaku mimo znaků uvedených v [], tedy v řetězci xyzcba je tento regulární výraz obsažen také 3x.

Jednotlivé speciální znaky

\t

tabulátor

\r

CR, konec řádku

\n

LF linefeed, nový řádek

\v

vertikální tabulátor

\f

odstránkování

Předdefinované třídy znaků v regex

  • Regexy tradičně používaly třídy pro bílé znaky, znaky identifikátorů, písmena, číslice atd.

    .

    jakýkoli znak kromě ukončení řádků, tzn. \n, \r, \u2028 a \u2029

    \s

    libovolný bílý znak (mezera, tab, newline, cr), \S libovolný nebílý znak

    \w

    libovolný znak slova (word character) - spolehlivě funguje pro znaky v [A-Za-z0-9_], pro češtinu či slovenštinu nefunguje správně, \W libovolný jiný znak než slova (non-word character)

    \d

    číslice 0..9 (jen tyto naše, arabské), \D cokoli mimo ně

Pozice regulárního výrazu v řetězci

^abc

odpovídá sekvenci znaků abc na začátku prohledávaného řetězce: abcdef ano, ale defabc nikoli.

abc$

odpovídá sekvenci znaků abc na konci prohledávaného řetězce: abcdef ne, ale defabc ano.

Skupiny pro zachycení

  • Neboli matching groups.

  • Vymezují se závorkami ().

  • Používají se, když volání matcher.find() == true pak matcher.group(n) je n-tá zachycená skupina - jsou číslované od 1.

  • Celý detekovaný výraz je matcher.group(0).

  • Třeba (abc)def zachytí sekvenci abc v řetězci abcdefghijk jako group(1),

  • zatímco group(0) nebo group() je celý regex (abc)def

Příklad skupin

if(matcher.matches())
   // if matches then the groups are available
   String key = matcher.group(1);
   String value = matcher.group(2);
   // group(0) would capture the entire text matching the regex

UNICODE v Javě

  • Bohužel javová interpretace regexů pro novější kategorie znaků v UNICODE není správná.

  • Selhávat to bude v abecedách nověji přijatých do UNICODE.

  • Blíže viz Java’s Regex Unicode Problems

  • V tomto článku je i workaround