О регулярных выражениях.



Регулярные выражения - мощный гибкий инструмент для синтаксического анализа текста в соответсвии с определенным шаблоном.



Шаблон - строка символов, спецсимволов и модификаторов, описывающих правила, которым должен соответсвовать разбираемый текст.





Синтаксис регулярных выражений.



Это раздел о том, из чего состоят шаблоны.

Люброй шаблон должен быть ограничен символами-ограничителями. В качестве таких символов можно использовать любой не буквенно-цифровой символ кроме '\'.

Не рекомендуется использовать в качестве ограничителей и другие специальные символы, в виду того их использование внутри шаблона станет неудобным. Предпочтительнее всего использовать символ /, потому что он не выполняет никаких специальных фунций.

Символ, используемый как ограничитель шаблона внутри шаблона должен экранироваться.

Пример: '/pattern/i' - соответствует строке, в которой есть слово pattern. i - это модификатор. Забегая вперед, скажу, что он означает регистронезависимое сравнение.



1 - Спецсимволы.

Сначала о них, потому что мне будет легч описать остальное.

\ - символ экранирования.

Пример: '/qwe\/rty/' - соответствует строке, в которой есть qwe/try. Символ / мы заэкранировали, после чего он перестал выполнять в данном месте свое специальное значение (он являлся ограничителем шаблона).

^ - символ начала данных.

$ - символ конца данных.

Пример: '/^pattern$/' - Соответствует строке, точно совпедеющей со словом pattern. Т.е. с буквы p строка начинается и после n заканчивается.

. - любой символ, кроме перевода строки. Но естьмодификатор, при использовании которого перевод строки тоже относится к "любым" символам.

Пример: '/pat.ern/' - Соответствует и строке, содержащей pattern, или patdern, или pat3ern...

[] - внутри этих скобок перечисляются символы, любой один символ из которых может стоять на данном месте. Это называется символьным классом. Спецсимволы, написанные в [] ведут себя немного по-другому. Это я напишу.

Пример: '/pat[aoe]rn/' - под соответствие попадут только строки, содержащие patarn, patorn или patern.

| - Или. Пример ниже.

() - подмаска.

? - одно или ноль вхождений предшествующего символа или подмаски.

* - любое количество вхождений предшествующего символа или подмаски. В том числе и ноль.

+ - одно или более вхождений.

Пример: '/as+(es|du)?.*r/' - Буква а, потом одна или больше букв s, после этого сочетание es или du может быть один раз, а может м ни разу, потом любое количество любых символов и буква r.

Здесь же скажу про еще одно значения символа ?. Метасимвол звездочка по умолчанию жадный (и другие тоже). Это значит, что в нашем примере вот этой части '.*r' будет соответствовать, например, подстрока asdrfsrsfdr. Как видно, до последней буквы r в нее попало еще две. Вот эту жадность можно выключить. Т.е. шаблон станет соответствовать только подстроке asdr. До первого r. Для этого надо в до того места где необходимо отключить жадность поставит модификатор (?U). Вот еще одно применение символам ? и ().

{a,b} - количество вхождений предшествующего символа или подмаски от а до б. Если б не указан, считается, что верхней границы нет. Например, * - то же самое, что {0,}. ? - то же, что {0,1}. {5,7} - 5,6 или 7 повторений.



a) Спецсимволы внутри символьного класса.

^ - отрицание.

Пример: [^da] - соответствует любому символу кроме d и a.

Пример: [^^] - соответствует любому символу кроме ^.

Пример: [d^a] - соответствует любому cимволу из перечисленных трёх. [\^da] - то же самое.

В последнем примере, как видно символ стоит не в нчале перчисления и свою метафункцию теряет. И экранировать его, кстати, тоже тут не надо.

- - внутри символьного класса означает символьный интервал.

Пример: [0-9a-e] - соответствует любому символу от 0 до 9 и от a до e. Если в символьном классе надо перечислить сам символ дефиса, то следует либо заэранироватьего, либо разместить перед ].

Осторожно в символьном классе надо использовать символ \. Если его поставить перед ], она окажется заэкранирована. Также окажется заэкранированным любой символ, который может быть заэкранирован. Иначе символ \ является обычным сиволом.

Символ $ тоже является обчным символом внутри символьного класса. И скобки тоже.



б) Символ \. Одна из его функций - снятие специального значения со спецсимволов. А другая, наоборот придание специальных функций обычным символам.

\cx - ctrl + x. На месте x может быть любой символ.

\e - escape.

\f - разрыв страницы.

\n, \r, \t - это нам и так привычно. Перевод строки, возврат каретки и табуляция.

\d - любой символ, означающий десятичную цифру.

\D - любой символ, не означающий десятичную цифру.

\s - любой пробельный символ.

\S - не пробельный.

\w - любоя цифра, буква или знак подчеркивания.

\W - любой символ, но не \w.

\b - граница слова. Можно использовать вместо \w\W или \W\w или ^\w или \w$

\B - не граница слова.

Две последние конструкции не соосветствуют никаким реальным символам.

\xHH - символ с шестнадцатиричным кодом HH. x - это именно буква икс.

\DDD - символ с восьмеричным кодом DDD. Или ссылка на подмаску.



По поводу ссылки на подмаску: '/([0-9]{2,3}).\1/' - 2 или 3 символа от 0 до 9, потом любая последовательность символов и те же 2 или 3 конкретных символа, которые соответствовали подмаске. То есть строка 'as34sdf34' - подойдет. Там 34, и там. А 'sd34dg32' - нет.

Если анализатор находит \x, он считывает максимальное количество последующих символов, которые могут быть шестнадцатиричным числом. Максимальное - это не больше двух. Если из три, то считается два, если меньше - то сколько есть.

Если анализатор находит \0, он поступает аналогично. Только считывает не 16ричные, а восмеричные цифры. До двух штук. То есть \0\x\0325 означает два символа с кодом ноль, символ с восьмеричным кодом 32 и пятерка.

Если после слеша стоит отличная от нуля цифра, то ту посложнее. Вот напишем такую вещь: \40. Если в шаблоне есть 40 подмасок, то это будет воспринято как ссылка на 40ю подмаску. Сороковую - в десятичной системе счисления. Если же подмасок меньше, то это будет воспринято как символ с восьмеричном кодом 40.

\040 - всегда символ с кодоми восьмериным 40.

\7 - всегда ссылка на подмаску.

\13 - в зависимости от ситуации.

В символьном классе возможно указывать символьные диапозоны с помощью из кодов: [\044-\056]

Стоит также отметить, что ссылок на подмаски не может быть больше, чем 99.



2 - Обычные символы.

Это символы, не являющиеся специальными.



3 - Модификаторы.

Указываются они либо в скобках, например так: (?Ui), либо после закрывающего символа '/pattern/Ui'.

i - регистронезависимость.

U - инвертирует жадность.

m - многострочный поиск.

s - если используется, то символ . соостветствует и переводу строки. Иначе она ему не соответствует.

x - заставляет игнорировать все неэкранированные пробельные символы, если они не перечислены в символьном классе. Удобно, когда энтерами и пробелами вы хотите навести удобночитаемость в регулярке.

При использовании модификаторов, можно использовать знак '-' для отключения модификатора. (?m-i) - Bключаем многострочный поиск и отключаем регистронезависимый.

Здесь надо сказать, что все модификаторы что-то включают. Или отключают, если указаны с минусом. А вот U инвертирует. Т.е. если была жадность включена, он выключит без всяких минусов.



4 - Утверждения.

Утверждения - это проверки касательно символов, идущих до или после текущей позиции сопоставления. Например, \b - это утверждение, что предыдущий символ словесный, а следующий - нет, либо наоборот. Но это как бы встроенное утверждение, а мы тут сейчас свои собственные научимся писать.

Утверждения касательно последующего текста начинаются с (?= для положительных утверждений и с (?! для отрицающих утверждений.

Утверждения касательно предшествующего текста начинаются с (?<= для положительных утверждений и (?<! для отрицающих.

Например, '/(?<!foo)bar/' не найдёт вхождения "bar", которым не предшествует "foo". Т.е. qwefoobar этот шаблон проигнорирует, а asacdbar под него подойдет.

(?<=\d{3})(?<!999)foo совпадает с подстрокой "foo", которой предшествуют три цифры, отличные от "999". Следует понимать, что каждое из утвержений проверяется относительно одной и той же позиции в обрабатываемом тексте.

Утверждения могут быть вложенными, причем в произвольных сочетаниях: (?<=(?<!foo)bar)baz соответствует подстроке "baz", которой предшествует "bar", перед которой, в свою очередь, нет 'foo'.



a) Условные подмаски.

По-моему, этого достаточно: (?(condition)yes-pattern|no-pattern)

Пример: (?(?=\d)u|p). (?=\d) - это условие. Мы утверждаем, что после этого места идет цифра. Если оно истино, то на данном месте должна стоять буква u. Иначе - p.



5 - Комментарии.

Комментарии начинаются с (?# и продолжаются до ближайшей закрывающей скобки. Так же как /* */ в PHP - без учета вложенности.



Вот и всё. Этой теории, в принципе, должно хватить.





Функции PHP для работы с регулярными выражениями.



mixed preg_match ( string $pattern, string $subject [, array $&a mp;matches [, int $flags [, int $offset]]] )

Ищет в заданном тексте subject совпадения с шаблоном pattern . Если совпадение не найдено - вернет false.

В случае, если дополнительный параметр matches указан, он будет заполнен результатами поиска. Элемент $matches[0] будет содержать часть строки, соответствующую вхождению всего шаблона, $matches[1] - часть строки, соответствующую первой подмаске, и так далее. $pattern - шаблон, $subject - где искать. В мануале есть пара примеров.



Похожая функция preg_match_all с теми же параметрами. Она отыскивает все совпадения в то время как preg_match - только первое.



array preg_split ( string $patte rn, string $subject [, int $limi t [, int $flags]] )

Возвращает массив, состоящий из подстрок заданной строки subject, которая разбита по границам, соответствующим шаблону pattern.

В случае, если параметр limit указан, функция возвращает не более, чем limit подстрок. Специальное значение limit, равное -1, подразумевает отсутствие ограничения



mixed preg_replace ( mixed $patt ern, mixed $replacement, mixed $ subject [, int $limit] )

Выполняет поиск в строке subject совпадений с шаблоном pattern и заменяет их на replacement. В случае, если параметр limit указан, будет произведена замена limit вхождений шаблона; в случае, если limit опущен либо равняется -1, будут заменены все вхождения шаблона.

$replacement может содержать ссылки на подмаски шаблона. Таким образом, можно поменять в строке местами части, соостветствующие двум разным подмаскам.



mixed preg_replace_callback ( mi xed $pattern, callback $callback , mixed $subject [, int $limit] ) Выполняет поиск по регулярному выражению и замену с использованием функции обратного вызова. Пример:

<?PHP
function rnd_replace($matches)
{
    if ($matches[1] > 'c')
        return '('.$matches[1].'->'.rand(0, 9).')';
    else 
        return $matches[1];
}
$src = 'sd4vaf345g534fgh43kj3';
$res = preg_replace_callback('/(\D)/', 'rnd_replace', $src);
echo $res
?>

Все нецифры, которые больше, чем с будут заменены сами увидите на что.