Webengineering. Reguläre Ausdrücke. Dienstag, 2. Juli 13

Transkript

1 Webengineering Reguläre Ausdrücke Marcel Vilas 1 DHBW - Stuttgart 1

2 RegExp - Allgemein Muster, die eine Menge von Zeichenketten mit Hilfe bestimmter syntaktischer Regeln beschreiben Werden oft als Suchmuster und zur Textbearbeitung verwendet Name basiert auf der zu Grunde liegenden mathematischen Theorie Geläufige Abkürzungen: regex, regexp (engl. regular expressions) 2 2

3 RegExp - Engines Software, die reguläre Ausdrücke bearbeiten kann (versucht das Muster auf einen Text anzuwenden) Normalerweise kein Direkzugriff möglich, sondern in größeren Anwendungen/APIs integriert Verschiedene Engines (flavors) sind nicht immer miteinander kompatibel Beispiele: Perl 5 verbreiteste Engine / Standard PCRE ECMA (Perl Compatible Regular Expressions) Syntax Perl ähnlich / gleichwertig Syntax Perl ähnlich aber weniger Feautures / ECMA-262 Standard.Net (C#, VB), Java, Python, POSIX BRE/ERE, GNU BRE/ERE,... PERL PHP, Apache, PERL JavaSkript 3 3

4 RegExp - Literale x Regexp is really great!! Or? all Regexp is really great!! Or? All Regexp is really great!! Or? Or\? Regexp is really great!! Or? Literal: Muster aus Zeichenfolgen (findet genau diese Folge) Metazeichen müssen mit "\" maskiert werden: [ \ ^ $.? * + ( ) Man kann alle Sonderzeichen bedenkenlos maskieren (Vorsicht beim Maskieren von alphabetischen Zeichen) 4 4

5 RegExp - Literale Maskierte Zeichen: \a \n \r \t Bell (Piepser) Zeilenumbruch (newline) Zeilenumbruch (carriage return) Tabulator \v vertikaler Tabulator \e \f Escape Seitenumbruch (form feed) \x00-\xff \ca-\cz \u0000-\uffff Zeichen in Hexadecimal (ASCII) ASCII Kontrollzeichen Zeichen in Hexadecimal (Unicode) Strg+M = \cm = \r = \0D 5 5

6 RegExp - Zeichenklassen [Tt]o be To be or not to be... [Tt]o be [^o] To be or not to be... [1-3][a-b] 1a, 1b, 1c, 2a, 2b, 2c, 3a, 3b, 3c, 4a, 4b, 4c Zeichenklassen werden innerhalb von eckigen Klammern definiert: [ <Zeichenmenge...> ] Negierte Klassen mit "^" als erstes Zeichen: [ ^ <Zeichenmenge...> ] ASCII-Bereich kann mit "-" definiert werden: [ <Startzeichen> - <Endzeichen> ] Muster findet ein Zeichen der definierten Zeichen-Klasse/-Menge Metazeichen müssen mit "\" maskiert werden: ] \ ^ - ("^" - nur am Anfang, "-" - nur in der Mitte) 6 6

7 RegExp - Zeichenklassen Vordefinierte Zeichenklassen: \d \w \s \W [0-9] - Zahl [A-Za-z0-9_] - Wort [ \t\r\n] (auch: [ \t\r\n\v\f]) - Leerzeichen [^\w] - kein Wort \S [^\s] - kein Leerzeichen 7 7

8 RegExp - Wiederholung That is( really)* good! That is good! That is really good! That is really really good! That is( really)? good! That is good! That is really good! That is really really good! That is( really)+ good! That is good! That is really good! That is really really good! That is( really){2} good! That is good! That is really good! That is really really good! "*" sucht den davor stehenden Ausdruck kein- bis unendlich mal "+" sucht den davor stehenden Ausdruck mindestens ein mal "?" sucht den davor stehenden Ausdruck ein- oder keinmal 8 8

9 RegExp - Wiederholung Eigene Wiederholungsmuster können in geschweiften Klammern definiert werden: <regexp>{<min>,<max>} <regexp>{x} : Genau x mal <regexp>{x,} : Mindestens x mal <regexp>{0,x} : Keinmal bis höchstens x mal <regexp>{x,y} : Mindestens x mal und höchstens y mal Beispiele: a+ [+][1-9]{2}[ ][1-9][0-9]{1,3}[ ][1-9][0-9]+ ([A-Za-z]+ )*[A-Za-z]+!? 9 9

10 RegExp - Platzhalter.* A "STRING" in a $!%(?= sentence! But the spook ends here... ".*!% A "STRING" in a $!%(?= sentence! But the spook ends here... ".* A "STRING" in a $!%(?= sentence! But the spook ends here... "[^"]+" A "STRING" in a $!%(?= sentence! But the spook ends here... "." findet irgendein Zeichen außer Zeilenumbruch (. = [^\r\n]) ".*" findet eine komplette Zeile ".*" Sollte mit Bedacht eingesetzt werden (negierte Gruppen sind evtl die bessere Lösung) 10 10

11 RegExp - Wiederholung <.+> A <em>strong</em> element. <.+?> A <em>strong</em> element. <[^>]+> A <em>strong</em> element. Wiederholungszeichen haben ein spezielles Verhalten in Kombination mit dem "."-Zeichen Alle Wiederholungszeichen ( *, +, {} ) suchen soviel wie möglich (greedy) Umkehrung des greedy Verhaltens mit "?" (lazy - so wenig wie möglich) Verstärkung des greedy Verhaltens mit "+" (possessive - soviel wie geht) 11 11

12 RegExp - Gruppen (\w+): (?:\w+) (\w+) Name: Jon Smith Ergebnis: \1 = Name & \2 = Smith <([A-Z][A-Z0-9]*)\s[^>]*>.*?</\1> <em>strong</em> <div id="id">something here</div> Reguläre Ausdrücke können mit runden Klammern gruppiert werden: ( <regexp> ) Gruppierung von regulären Ausdrücken speichert den gefundenen Wert unter fortlaufender Nummer von links nach rechts (Start: 1) Unter der Nummer 0 ist der komplette Fund gespeichert Zugriff auf gespeicherte Werte über: \<Gruppennummer> Underbindung der Speicherung einer Gruppe mit "?:" am Anfang: (?: <regexp> ) 12 12

13 RegExp - Anker ^[Ss]tart.* Start is the word! The Start is important! ^Start.*end!$ Start to the end!.* end!$ That is the end. That is the end! "^" am Anfang eines regulären Ausdrucks entspricht dem Anfang einer Zeichenkette (mit Modifier: Zeilenanfang) "$" am Ende eines regulären Ausdrucks entspricht dem Ende einer Zeichenkette (mit Modifier: Zeilenende vor Zeilenumbruch) Die Kombination beider findet eine Zeichenkette exakt von Anfang bis Ende 13 13

14 RegExp - Auswahl I love (coke fanta sprite). I love coke. I love fanta. I love water. Das " "-Zeichen erlaubt mehrere Auswahlmöglichkeiten zwischen verschiedenen regulären Ausdrücken Entweder "regex A" oder "regex B" oder "regex C": <regex A> <regex B> <regex C> 14 14

15 RegExp - MODIFIER to be/i (?i)to be To be or not to be... i s m x case insensitive single-line mode ("." inkl. "\n") multi-line mode ("^"/"$" - Zeilenanfang/-ende) free-spacing mode (ignoriert Leerzeichen in regexp, Kommentar mit #) Unterstützung hängt von der verwendeten Engine ab (weniger/mehr/andere Modifier) Übergabe an die Engine auf unterschiedliche Weise: Angehängt an den regulären Ausdruck oder innerhalb davon Als Parameter Aktivierung einer Option Mehrere Modifier können gleichzeitig verwendet werden 15 15