Obcování s ďáblem 19: Skládání regulárních výrazů - MujMAC.cz - Apple, Mac OS X, Apple iPod

Navigace:  » Úvodní stránka  » Rubriky  » Agregator  

29. listopadu 2001, 00.00 | Ve dvou minulých dílech jsme se seznámili se základními kameny regulárních výrazů. Dnes pronikneme dále do tajů a vysvětlíme si další možnosti využití - skládání, opakování a další.

Ve dvou minulých dílech jsme se seznámili se základními kameny regulárních výrazů: předminule jsme si ukázali tři nejjednodušší výrazy, odpovídající jednotlivým znakům, a minule jsme si doplnili několik speciálních výrazů, jež odpovídají povětšinou prázdnému řetězci.

Například takový regulární výraz "\B" odpovídá prázdnému řetězci, který není na okraji slova; to tedy znamená, že výraz ".\B." bude odpovídat buďto dvojici písmen uvnitř slova, nebo dvojici oddělovačů: jen v těchto případech mezi oběma znaky (representovanými tečkami, a tedy vlastně libovolnými) nebude "prázdný řetězec na hranici slova"!

Skládání vedle sebe

Ačkoli jsme se o tom explicitně nezmínili, skládání regulárních výrazů vedle sebe (někdy se používá pojem "řetězení", ale já jej nemám rád) vlastně už nějakou dobu používáme. Řekneme-li honosně (a nesrozumitelně), že

• regulárnímu výrazu vzniklému složením výrazů <r1><r2> vedle sebe odpovídají právě všechny textové řetězce, které lze sestavit složením libovolného řetězce, odpovídajícího výrazu <r1> s libovolným řetězcem, odpovídajícím výrazu <r2>

, jen jsme formalizovali zřejmý a srozumitelný fakt, že když regulárnímu výrazu "a" odpovídá znak 'a' a regulárnímu výrazu "b" znak 'b', pak regulárnímu výrazu "ab" bude nejspíš odpovídat řetězec "ab". Nebo že regulárnímu výrazu "h...o" bude odpovídat jakýkoli pětiznakový řetězec, který začíná znakem 'h' a končí znakem 'o' — například "he lo" ve známé písničce "Ohe ohe lodnici".

Závorky

Jakýkoli regulární výraz můžeme uzavřít do závorek, a na skupině textových řetězců, jež mu odpovídají, se tím nic nezmění. S tím, co známe dosud, by nám to nebylo celkem k ničemu; hned s několika následujícími operátory se to ale každou chvíli hodí.

Zde je třeba si dát pozor na to, že některé aplikace pracují s tzv. rozšířenými ("extended") regulárními výrazy, a ty pak považují závorky za speciální znak (např. egrep). Jiné aplikace však využívají tzv. základních ("basic") regulárních výrazů, a pro ty závorky speciálním znakem nejsou (příkladem může být grep nebo vyhledávání podle regulárních výrazů v ProjectBuilderu).

Pracujeme-li s rozšířenými regulárními výrazy, musíme použít znak '\' chceme-li zadat výraz, který odpovídá závorce; v základních naopak znak '\' přepne "normální znak závorka" na "speciální znak — závorka pro uzavírání výrazů".

Jinými slovy, regulární výraz, který odpovídá znaku '(' a sám je jako regulární výraz uzávorkován, bude v různých aplikacích vypadat různě:

• v příkazu grep: "\((\)"
• v příkazu egrep: "(\()"

Nelekejte se, prosím — je to složité jen na první pohled. Původně prostě existovaly jednoduché (základní) regulární výrazy, ve kterých závorky nebyly k dispozici. Pak přibyly nové služby a závorky; pro zachování kompatibility s existujícími příkazy se původní služby ponechaly beze změny pod názvem "základní", a nové přibyly jako "rozšířené".

Nakonec byly všechny nové služby rozšířených regulárních výrazů přidány i do základních, ale "se zpětným lomítkem": tak už není mezi základními a rozšířenými regulárními výrazy žádný rozdíl v nabízených službách, ale v pohodlnosti:

• v jednodušších příkazech se regulární výrazy závorkují jen výjimečně; je proto pro uživatele velmi pohodlné, může-li znak '(' zadávat rovnou, bez zpětných lomítek. Když už jednou za dlouhý čas chce nějaký regulární výraz uzávorkovat, zpětná lomítka tolik nevadí. Použijeme tedy s výhodou základní regulární výrazy (např. prostřednictvím příkazu grep);
• pro složité regulární výrazy, ve kterých se hodně závorkuje, je tomu právě naopak: je šikovné a pohodlné, můžeme-li to dělat bez zpětných lomítek; chceme-li občas zadat závorku jako obyčejný znak, zpětné lomítko už tolik nevadí. Použijeme tedy s výhodou rozšířené regulární výrazy (např. prostřednictvím příkazu egrep).

Kromě závorek totéž platí i pro některé další speciální znaky, jejichž využití je popsáno níže ('?', '+', '{', a '|').

Opakování

Mezi nejčastěji využívané služby regulárních výrazů bezpochyby patří opakování: můžeme sestavit nový regulární výraz tak, že vezmeme nějaký již existující, a určíme kolikrát se má či nemá opakovat. V regulárních výrazech to určují operátory, umístěné za daný výraz — např. výraz "a{5}" znamená "pětkrát opakuj 'a'", a je tedy ekvivalentní regulárnímu výrazu "aaaaa".

Operátory opakování jsou:

• "?" nanejvýše jednou;
• "*" libovolný počet opakování;
• "+" nejméně jednou;
• "{N}" právě N-krát;
• "{,M}" nejvýše M-krát;
• "{N,}" nejméně N-krát;
• "{N,M}" nejméně N-krát a nejvýše M-krát.

Operátory opakování mají vyšší prioritu než skládání vedle sebe — regulární výraz "ab*" tedy odpovídá řetězci, který začíná písmenem 'a', za nímž následuje libovolný počet 'b'éček. Pokud bychom chtěli řetězec, složený z libovolného počtu dvojic "ab", můžeme použít závorky, popsané v minulém odstavci: "(ab)*".

Operátor "?" representuje nepovinnost: chceme-li např. sestavit regulární výraz, kterému odpovídají textové řetězce "OS X" i "OSX", můžeme použít třeba výraz "OS ?X", kde je operátor "?" aplikován na mezeru.

Snad nejčastěji je v regulárních výrazech používána kombinace ".*", která odpovídá hvězdičce ve specifikaci souborů shellu: libovolné množství libovolných znaků. Regulárnímu výrazu příkazu grep "(.*)" tedy odpovídá "cokoli v závorkách" (připomeňme minulý odstavec: v příkazu egrep by ekvivalentní regulární výraz vypadal trochu jinak — "\(.*\)").

Alternativy

Pomocí speciálního operátoru "|" můžeme spojit dva regulární výrazy, jež považujeme za alternativy: celkovému výrazu bude odpovídat libovolný řetězec, který odpovídá kterémukoli z obou výrazů.

Operátor má nižší prioritu než skládání vedle sebe: regulární výraz, jemuž budou odpovídat řetězce "ahoj" a "nazdar", tedy je prostě "ahoj|nazdar".

To je pro dnešek vše

Příště se seznámíme už s poslední, ale snad nejsilnější, vlastností regulárních výrazů — ukážeme si možnost práce se zpětnými odkazy výrazu na části sebe sama.