Regulární výrazy
Regulární výrazy vznikly z důvodu potřeby práce s textovými řetězci určitým unifikovaným způsobem. Samotný výraz je specifickým popisem daného řetězce nebo znaku. Lze je tedy využít pro kontroly, zda řetězec splňuje určitá pravidla (validace) nebo pro vyhledávání v řetězci, kdy neznáme (nebo jednoduše nechceme se tímto způsobem omezovat) přesný obsah podřetězce.
Výrazem je řetězec spojený s určitými tzv. metaznaky a kvalifikátory. Zde máme seznam metaznaků upřesňující "anonymní" znaky:
Tečka
Tečka zastupuje jeden libovolný znak. Například výraz o čtyřech tečkách (....) může být cokoliv o délce 4 a více znaků.
Abcd = platné
H@st = platné
cdf = neplatné
dfgsd = platné
Ale proč se výraz považuje za platný i po překročení délky? Logicky by neměl projít. Jenže maximální délka výraz vůbec nezajímá. Jakmile projdou čtyři tečky, výraz je platný i se zbytkem. Ale i toto má jednoduché řešení a to použitím hranic neboli ukotvení.
Hranice a ukotvení
Pokud potřebujeme, aby se hledaný řetězec měl určitý začátek i konec (tzn. nezačíná uprostřed slova), použijeme ohraničení neboli ukotvení. Pro začátek zde máme ^, pro konec $. Předchozí výraz bude tedy vypadat takto:
^....$
Nyní výraz označuje textový řetězec přesně o 4 libovolných znacích.
Kvantifikátory
Kvantifikátory určují kolikrát se smí opakovat zvolený znak (popř. řetězec). Zde jsou jednotlivé typy:
? - minimálně 0krát, maximálně 1krát
* - minimálně 0krát (maximálně neomezeno)
+ - minimálně 1krát (maximálně neomezeno)
{n} - právě n krát
{m,n} - minimálně m krát, maximálně n krát
{m,} - minimálně m krát (maximálně neomezeno)
Pro použití kvantifikátoru uzavřeme část výrazu do kulatých závorek (), za něž doplníme zvolený kvalifikátor. Zde je alternativa k prvnímu výrazu za pomocí kvantifikátoru:
^.{4}$
Hranaté závorky
Pokud chceme povolit právě jeden z několika znaků (a nebo b nebo c...), uzavřeme takovou skupinu do hranatých závorek []. Pokud naopak určité znaky chceme zamítnout, do hranatých závorek přidáme stříšku (^). Zápis[^ab], tak znamená, že se v daném místě může vyskytovat jakýkoliv znak kromě a nebo b.
Interval
Často potřebujeme vybrat například všechna čísla od 1 do 9 nebo A - Z. Určitě by se vám je nechtělo ručně vypisovat. Naštěstí regulární výrazy podporují intervaly, tzn. 1 až 9. Zápis je stejný jako u ručně vypisovaných skupin, ale přidáme pomlčku (-). [a-z] tedy znamená abcdefgh... Zálaží na velikosti písmen, [A-Z] tedy označuje jen velká písmena, [a-z] jen malá, [a-zA-Z] malá i velká.
Zástupné (zjednodušující) znaky
Pro často používané skupiny znaků existují speciální zkratky. Níže je seznam nejčastěji používaných předdefinovaných skupin znaků:
d - číslice 0-9
D - jakýkoliv znak kromě číslic 0-9
w - znaky "slova" (a-z, A-Z, 0-9 a podtržítko)
W - jakýkoliv znak kromě znaků "slova"
s - "bílé" znaky (mezera, tabulátor, znaky pro zalomení řádků)
S - jakýkoliv znak kromě "bílých" znaků
Pokud chceme vybrat jedno nebo druhé, můžeme použít operátor OR a kulaté závorky (A|B).
Escapování
Občas potřebujeme použít nějaký metaznak jako součást hledaného výrazu. Daný znak tedy musíme odescapovat. Escapování v regexu probíhá stejně, jako normální sekvence escape tzn. Před každý takový znak vložím zpětné lomítko.
Příklady regulárních výrazů
Příklad regulárního výrazu – emailová adresa
Jako první příklad na procvičení se pokuste vymyslet, jak zvalidovat emailovou adresu. Napovím pouze tím, že bude vhodné použít intervaly a dvakrát kvantifikátor +. Nezapomeňte také, že emailová adresa může obsahovat pouze znaky ._- ,čísla a abecední znaky. Koncovka je dlouhá 2 – 4 znaky a může se skládat pouze ze znaků abecedy.
Řešení
[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+.[a-zA-z]{2,4}
Příklad regulárního výrazu – telefonní číslo
Představme si, že provozujeme nějakou anketu a potřebujeme zjistit, zda je dané číslo korektní. Může mít jakoukoliv předvolbu, není ničím limitované, pouze musí dohromady obsahovat 12 čísel a jedno +. Pro zjednodušení jsme již předem z čísla odstranili mezery pomocí funkce replace(), takže se jimi nemusíte zabývat.
Řešení
^+(d){3}[0-9]{9}$
