Regulární výrazy

Regulární výrazy

• = regular expression, regex
• staví na automatech v teoretické informatice
• slouží k vyhledávání, validaci a dalších věcí v textu

Vyhledávání

Práce

Vytvořte program, který zpracuje následující data do jednotného formátu.

+xxxXXXxxxXXX
XXXxxxXXX
xxxXXXxxxXXX
(+xxx) XXXxxxXXX
+xxx XXX xxx XXX
+xxx XXXxxxXXX
...

Syntax

• výraz je řetězec znaků
• regex má různé klíčové znaky a sekvence
• definujeme i literály

Použití v JS

Použití v JS

• regexy podporuje mnoho funkcí:
• .replace
• .split
• pro regexy máme další funkce, které si vysvětlíme později:
• .match
• .search
• .test

Vytvoření regexu

Modifikátory

• = regex flags
• za definici regulárního výrazu můžeme přidat modifikátory
• modifikátory mění chování regexu, resp. co dělá při spuštění

Modifikátory

• /g — globální, hledá všechny výskyty
• /i — ignoruje velikost písmen
• a další

Kvantifikátory

• = kolikrát se výraz opakuje
• můžeme použít:
• * — 0 až n
• + — 1 až n
• ? — 0 nebo 1

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu bbbbbbbbbbbbbaaaaaaa pro níže uvedené výrazy?

1. /a*/
2. /a*/g
3. /bb?a*/
4. /b?a*/g

Skupiny

• části můžeme seskupit do skupin pomocí kulatých závorek ()
• skupiny můžeme opakovat pomocí kvantifikátorů
• můžeme zachytit v kódu
• např. /(ahoj )*/g

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu madagascar obsahuje lemury, kteří spí pro níže uvedené výrazy?

1. /(lemur)*/g
2. /(mada(ga)?scar)/g
3. /(b)*o*l*e+s*í*/g

Přesné kvantifikátory

• za znak či skupinu můžeme pomocí složených závorek {}
• uvnitř 1 až 2 parametry, určující minimální a maximální počet opakování
• např. /(ab){2,4}/

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu ababababbbababab pro níže uvedené výrazy?

1. /(ab){3,}/g
2. /bb{2}/g
3. /baba{1,3}/g

Zrušení významu

• stejně jako v programování stačí označit znak pomocí zpětného lomítka — \
• /\*{5}/g

Nebo

• pomocí | můžeme označit alternativní možnosti
• např. /a|b/g

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu ahoj jak se mas pro níže uvedené výrazy?

1. /(ahoj|se)/g
2. /(a|j|k)/g
3. /((j )|(e )|(k ))/g

Rozmezí znaků

• pomocí [] můžeme označit rozmezí znaků
• např. /[abcde]/g — může obsahovat a, b, c, d a e
• např. /[a-z]/g — může obsahovat jakékoliv písmeno od a do z
• např. /[a-zA-Z0-9]/g — může obsahovat jakékoliv písmeno od a do z, od A do Z a číslice od 0 do 9

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu Bude to 4001,- Kč, paní K! pro níže uvedené výrazy?

1. /[a-z]+/g
2. /[1-4]{2}/g
3. /[,\- !]+/g
4. /[,\- !]/g

.test

• vrací booleanovu hodnotu, zda se regulární výraz shoduje s řetězcem

Testování

.exec

• vrací pole, ve kterém jsou nalezené výskyty regulárního výrazu
• obsahuje index, daný index a další
• v případě, že není nalezen žádný výskyt, vrací null

Exekuce

.match

• vrací pole, ve kterém jsou nalezené výskyty regulárního výrazu
• v případě, že není nalezen žádný výskyt, vrací null

Mečování

.search

• vrací index prvního nalezeného výskytu regulárního výrazu
• v případě, že není nalezen žádný výskyt, vrací -1

Zástupné znaky

Zástupné znaky

• = tokeny, meta sekvence
• sekvence znaků se speciální významem
• často nějaké zkratky

Meta sekvence

• . — vybere jeden jakýkoliv znak
• \s — jakýkoliv whitespace znak
• \S — opak \s
• \d — jeden znak
• \D — opak \D
• \w — znak, který se může objevit ve slově

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu Kočka #302, které je 5,
je tu proto, aby tu byla. pro níže uvedené výrazy?

1. /.*/g
2. /\d+/g
3. /\w+/g

Pokročilé rozmezí

Negace rozmezí

• znegujeme znaky či rozmezí
• vše až na dané výjimky
• [^xyz] — cokoliv až na x, y a z
• [^5-8] — cokoliv až na 5, 6, 7 a 8

Další rozmezí

• [[::ascii::]]
• [[::lower::]]
• a další...

Pokročilé skupiny

Zrušení seskupení

• chceme opakování dané části bez toho, abychom ji měli ve výběru
• /(?:to co chceme neseskupovat)/g

Podmínky

• vybereme, jestli něco je před nebo za prvkem
• několik variant:
• test(?= to je) — vybere test, pokud se za ním nachází to je
• (?<=test)není — vybere není, pokud se před ním nachází test
• a další...

Zamezení

Začátek a konec stringu

• ^ — označuje začátek stringu
• $ — označuje konec stringu


• ^ad$ — celá kontrola musí být rovna tokenu ad

Word boundaries

• metaznaky
• nezachytávají žádné znaky, ale jejich pozice
• \b — místo, kde končí či začíná slovo
• \B — místa, kde \b nevybere
• např. /\bkočička\b/g

Regulární výrazy

Práce

Co zbyde v řetězci pro aplikaci nahrazení za - ve vstupu Kočka #302, které je 5,
je tu proto, aby tu byla. pro níže uvedené výrazy?

1. /(?:\b\w+\b)+/g
2. /(?:\B\w+\B)+/g

Chování tokenů

Lazy vs. greedy

• některé tokeny jsou greedy, to znamená, že chtějí označit samo sebou co nejvíce znaků
• to nechceme a proto můžeme říct, aby to zkusili co nejméněkrát, aby byly ostatní skupiny naplněny
• a\w*? — označ co nejméně a


• backtracking problém

Regulární výraz

Práce

Co znamená regulární výraz /<[^<>]+>/gm?