何謂 Regular Expression？
Regular expression （後文簡稱 RE）常見用來在某段文字中搜尋需要的字串。而 RE 的作法就是藉由“樣版（pattern）”來做比對。
RE 是一種由字元組成的樣式，用來比對資料，看看究竟符合或不符合這個樣式，然後可做進一步的處理。比如說：電子郵件位址的樣式，可寫成： .+\@.+。
RE 也可以稱為是樣式（Pattern），本身自成一種小型的程式語言。
例子
熟悉以前 DOS 作業系統的人都知道，‘*’和‘?’字元在顯示目錄的命令中分別用來代表零或多個任意字元，以及單一一個任意字元（一定要有一個）。
所以當我們使用像是“text?.*”的樣版時，下面列出的檔案都匹配該樣版：
- textf.txt
- text1.asp
- text9.html
而下列的檔案名稱則不符合：
- text.txt
- text.asp
- text.html
上面的例子展現了 RE 的運作模式。
為何要使用 RE
常見的 RE 應用範圍包括了：
- 將某份 HTML 檔案中的某些特定的標籤移除。
- 檢查電子郵件的位址是否合法。
基本上我們可以對字串進行下列的 RE 操作：
- 驗證某個樣版：在一串字串中搜尋，檢查是否該樣版符合某部分子字串；回傳 true 或 false。
- 從字串中取出子字串：在字串中搜尋某個字串，並將它取出。
- 取代某個子字串：在字串中搜尋滿足範本的字串，並將它以其它字串取代之。
哪些地方在應用 RE
在文件處理方面，RE 經常可以發揮強大的功能。只要談到 RE，大家第一個聯想到的多半是 Perl 這個語言。RE 為 Perl 語言的基礎，因此其內建就支援 RE。其它的程式語言也可以藉由使用外部函式庫來支援使用 RE：
- VBScript（5.x 以上）：可藉由 RegExp 物件來使用 RE。
- JScript（Version 5.x 以上）：也是藉由 RegExp 物件來使用 RE。
- C++ 經由 Regex++ 函式庫和 PCRE（Perl Compatible Regular Expression）函式庫來支援。
- Java 內建支援 RE。
- Microsoft .NET framework 內建支援 RE（經由使用 System.Text.RegularExpression 命名空間）。
- PHP 內建 Perl 相容的函式，或是使用 POSIX 延伸的 RE 函式。
本文的程式碼以 Perl 語言為基準，至於其它語言因為它們彼此設計上的不同，語法稍有差異，但是大多大同小異。
在 Perl 中使用 RE
這裡我們簡單的說明要如何在 Perl 中使用 RE。
依樣版搜尋字串
expression =~ m/pattern/[switches]
在字串表示式中搜尋符合‘pattern’的子字串出現位置，並回傳該子字串（分別儲存於變數 $1}、$2、$3...中）。其中的“m”代表“match”。
例子
$test = "this is just one test"; $test =~ m/(o.e)/;
會回傳“one”於變數 $1 中。
替換字串
expression =~ s/pattern/new text/[switches]
在 expression 字串中搜尋符合 pattern 的子字串，並以 new text 替換找尋到的子字萬，其中的 s 代表 substitute。
例子
$test = "this is just one test"; $test =~ s/one/my/
將會以 my 替換 one，因此會將 this is just my test 字串存放於 $test 變數中。
Regular Expression 基本語法
類似於 C++ 中的跳脫字元，RE 的 meta character 必須以 \ 加以跳脫，比如若是要指定中括弧（[），我們必須以 \[ 表示（這裡提到的跟你使用的程式語言有關；這裡是針對 Perl 來說）。
重要的 Meta Character 列表
| Character | 描述 |
|---|---|
| \ | 標示下一個字元為一個特殊的字元（special character）、字母（literal）、backreference 或是 octal escape。比如，‘n’相當於去比對字元“n”。‘\n’則代表比對換行字元，‘ ’會配對到“\”等等。 |
| . | 除了換行字元（\n）外，比對所有字元。若是要包含換行字元 |
Character 種類（Class）
一個字元種類（character class）是由一個或多的字元所組成的群組，這些群組內的字元被以包含於 [...] 來表示。比如說，“B[iu]rma”將會配對到 Birma 或是 Burma；也就是說，B 後面跟隨著 i 或是 u，後面再加上 rma。
換言之，字元種類代表：配對任何在該種類中的單一字元（match any single character of that class）。
RE 中也存在一些相反的字元種類：negotiated character class；其代表，配對任何一種不存在於該種類中的單一字元。比如說‘[^1-6]’將會比對任意字元，除了數字 1 到 6。
數量詞（Quantifier）
假如我們無法確定到底會有多少個字元，我們可以使用數量詞來指明某個字元可以出現的次數；我們可以使用像“Hel+o”，來代表 He 後面接著一或多個 l，後面再加上一個 o。
| 字元 | 描述 |
|---|---|
| * | 出現零次或多次以上；比如‘zo*’會配對到 z 或 zoo；* 相等於 ‘{0,}’。 |
| + | 出現一次或多次；比如‘zo+’配對到‘zo’和 zoo，但是不包括 z；+ 相等於‘{1,}’。 |
| ? | 出現零次或一次。比如‘do(es)?’配對在 do 或 does 中的 do；?； 相當於‘{0,1}’。 |
| {n} | n 為非負整，代表確實的配對次數；比如‘o{2}’不會配對到位於 Bob 中的 o，而會配對到位於 foo 中的兩個 o。 |
| {n,} | n 為非負整，至少配對到 n 次；比如‘o{2,}’不會配對到位於 Bob 中的 o，但是會配對到 fooooooood 中所有的 o。‘o{1,}’相當於‘o+’；‘o{0,}’相當於‘o*’。 |
| {n,m} | m 和 n 皆為非負整數，其中 n 要小於等於 m；配對至少 n 次，至多 m 次。比如‘o{1,3}’配對到 fooooood 中的前面三個 o；‘o{0,1}’相當於‘o?’。要注意的是，在逗號和數字之間，請不要出現任何的空白。 |
Greedy
要注意到的一件事是，‘*’和‘+’是 greedy；它們會盡量去配對，配對出越多的會優先選取。比如說：
$test = "hello out there, how are you"; $test =~ m/h.*o/
表示：找出以 h 開頭，後面跟著多個任意的字元，最後以 o 結束。你也許會認為它會配對到“hello”，但是事實上，它配對到的是“hello out there, how are yo”，因為 RE 的組態是 greedy，所以它會搜尋直到最後一個“o”，而，這個例子中，就是在 you 中“o”。
你可以在表示式加上一個“?”，明確的指示要使用“ungreedy”方法。下面是一個例子：
$test = "hello out there, how are you"; $test =~ m/h.*?o/
上面的例子會尋找到“hello”；因為這個樣版的意義是去尋找一個“h”，後面接著多個任意字元，直到遇到第一次出現的“o”。
錨點（Anchor）
行起頭和行結尾
要檢查某一行的起始或結尾（或是字串），你可以使用 ^ 和 $ 這兩個 meta character。比如說，“^thing”，會配對到某個以“thing”起始的行。而“thing$”則會配對到某個以 “thing”結尾的行。
字邊界（Word Boundary）
‘\b’和‘\B’分別用來測試字邊界，以及非字邊界。下面這個例子：
$test =~ m/out/
對於“speak out loud”這個句子而言，會配對到“out”，但是也會配對到在“please don't shout at me”句子中的 out。若是要避免這種情況出現，你可以在樣式之前加上一個字邊界的錨點：
$test =~ m/\bout/
這樣，這個樣式只會尋找到以字邊界起始的“out”，而不包含在某個字中的“out”。
置換（alternation）和群組（grouping）
置換允許使用‘|’字元來在兩個或多個可替換的選擇中做選擇。在圓括弧中使用“(...|...|...)”，其允許你群組多個置換。
圓括弧本身用來抓取某個子字串，以便在其後對其做處理，並將它們儲存於 Perl 內建的 $1、$2、... 及 $9 變數。
下面是一個例子：
$test = "I like apples a lot"; $test =~ m/like (apples|pines|bananas)/
將會配對成功，因為“apples”是三個置換人選中的其中之一，因此，會尋找到“like apples”。另外，圓括弧也會抓取到“apples”，並將它儲存於 $1 變數中，作為一個後參考（backreference）。
後參考（backreference）、往前看（lookahead-condition）和往後看（lookbehind-condition）
後參考
RE 一個重要的特性就是，它可以儲存之前配對到的子字串於某個變數中，以便之後處理。這是藉由在圓括弧中放置子字串來達到。這些抓取到的字串會被儲存於 Perl 的內建變數 $1、 $2、... $9。
假如你不需要抓取某個子字串，但是需要用到圓括弧來群組字串，你可以使用“?:”來避免抓取。
例子：
$test = "Today is monday the 18th."; $test =~ m/([0-9]+)th/
會將“18”儲存於 $1 變數中，而
$test = "Today is monday the 18th."; $test =~ m/[0-9]+th/
$1 將不會儲存任何東西，因為並未使用圓括弧。
$test = "Today is monday the 18th."; $test =~ m/(?:[0-9]+)th/
也不會儲存任何東西在 $1 變數中，因為在圓括弧中，有使用“?:”。另一個例子可以使用在置換中：
$test = "Today is monday the 18th."; $test =~ s/ the ([0-9]+)th/, and the day is $1/
儲存於 $test 變數中的會是“Today is monday, and the day is 18.”。
你也可以藉由使用 \1、\2、...\9 在尋找（query）中使用後參考（backreference），參考到之前尋找到的子字串。比如說，下面的例子會移除掉重複的字：
$test = "the house is is big"; $test =~ s/\b(\S+)\b(\s+\1\b)+/$1/
會在 $test 變數中儲存“the house is big”。
往前看和往後看狀態
有時候，我們需要下面幾個例子的配對：「配對它，但是只有在它不是處在另一個東西之前」或是「配對它，但是只有在它並非跟隨在某個東西之後」。若是只有考慮單一一個字元，你可以使用 negotiated character 類別：[^...]。
但是當它有多個字元時，你需要使用所謂的往前看狀態或是往後看狀態。總共有四種可能的類型：
- Positive lookahead-condition '(?=re)' 只配對後面跟隨著 re RE。
- Negative lookahead-condition '(?!re)' 只配對後面不跟隨著 re RE。
- Positive lookbehind-condition '(?<=re)' 只配對前面跟隨著 re RE。
- Negative lookbehind-condition '(?re RE。
範例：
$test = "HTML is a document description-language and not a programming-language"; $test =~ m/(?<=description-)language/
會配對到第一個“language”（description-language），因為前面跟隨著的是“description-”，所以
$test = "HTML is a document description-language and not a programming-language"; $test =~ m/(?會配對到第二個“language”（description-language），因為其並未跟隨在“description”。
更多例子
下面列出更多真實應用的例子。
置換前兩個字：
s/(\S+)(\s+)(\S+)/$3$2$1/尋找 name=value 對：
m/(\w+)\s*=\s*(.*?)\s*$/現在 name 儲存於 $1 中，而 value 則存於 $2。
讀取 YYYY-MM-DD 格式的日期資料：
m/(\d{4})-(\d\d)-(\d\d)/在 $1 中儲存的是 YYYY，在 $2中儲存的是 MM，DD 則存放於 $3。
移除檔名前面的路徑：
s/^.*\///總結
要注意的是，要處理相同的一件事，RE 可以用多種方式來呈現範本，有的表示法執行的速度可能很快，有的可能可讀性較高。
參考
發表文章
沒有留言:
張貼留言