Шпаргалка по регулярным выражениям

Регулярное выражение представляет собой «строку-шаблон», написанную на формальном языке поиска, по которой производится поиск в целевом строковом представлении (контенте). «Строка-шаблон» состоит из строковых, цифровых и специальных символов, а также заключается между ограничителями шаблона (/RegExp/). В роли ограничителей шаблона нельзя использовать буквы и цифры, чаще всего используются /, # и ~.

В шпаргалке описываются регулярные выражения, работающие с библиотекой PCRE.

Метасимволы

Зарезервированные специальные символы. Для использования метасимвола, как обычного литерала, необходимо экранировать его, для этого нужно поставить \ непосредственно перед экронируемым метасимволом, например . — это совпадение с любым символом кроме пробельного, а \. — это совпадение только с точкой.

Позиционные:

• ^ — начало строки (/^RegExp/), внутри символьного класса трактуется как литерал или знак отрицания (зависит от расположения в наборе).
• $ — конец строки (/RegExp$/), внутри символьного класса трактуется как литерал.
• \A — начало текста (/\ARegExp/), похож на ^, но в мультистроковом режиме \A будет всегда обозначать начало всего текста, а ^ — начало каждой строки;
• \z — конец текста (/RegExp\z/), похож на $, но в мультистроковом режиме \z будет всегда обозначать конец всего текста, а $ — конец каждой строки;
• \Z — похож на \z, но если последним символом текста является перевод строки, то \Z будет занимать позицию, находящуюся перед последним переводом строки, а \z всегда будет на позиции в самом конце текста;
• \b — обозначает границу слова, для обращения к первой букве слова www «W» используется так (\bw), а к последней букве так (w\b);
• \B — обратное от \b, для обращения к средней (второй) букве «w» слова www используется так (\Bw\B);
• \G — останавливается на позиции окончания повторяющихся подряд символов, например: \Gw остановится на четвертой позиции после www, при поиске в строке www.example.com.

Группирующие:

• ( — открывает вложенное выражение;
• ) — закрывает вложенное выражение;
• | — логическое «или», может использоваться внутри ((abc|def|ghi)) и вне (abc|def|ghi) группы.

Пробельные:

• \f — конец страницы;
• \n — новая строка;
• \r — возврат каретки;
• \t — табуляция;
• \v — вертикальная табуляция.

Квантификаторы (для поиска последовательностей):

• {number} — точное количество вхождений;
• {min,max} — диапазон вхождений от min до max;
• ? — ноль или одно вхождение (эквивалентно {0,1});
• + — одно или более одно вхождения (эквивалентно {1,});
• * — ноль, одно или более одно вхождения (эквивалентно {0,}).

Объединяющие (для символьных классов):

• [ — открывает символьный класс;
• ] — закрывает символьный класс;
• - — задает диапазон символов в символьном классе ([0-9]);
• ^ — если ^ располагается в самом начале, то это означает отрицание всех символов, входящих в состав данного символьного класса (/[^0-9]/), на другой позиции трактуется как литерал;
• \d — целое число ([0-9]);
• \D — любой символ кроме целочисленного ([^0-9]);
• \s — любой пробельный символ ([\f\n\r\t\v ]);
• \S — любой символ кроме пробельного ([^\f\n\r\t\v ]);
• \w — целое число, буква и подчеркивание ([a-zA-Z0-9_]);
• \W — любой символ кроме целого числа, буквы и подчеркивания ([^a-zA-Z0-9_]).

Квантификаторы

Располагаются следом за символьным классом, группой или одиночным символом, указывая количество их повторений, например .* обозначает любые символы в любом количестве.

По умолчанию квантификаторы являются «жадными», например если произвести поиск всех тегов в HTML-коде <.*>, то все теги будут трактоваться как один, так как после первого совпадения следующие теги будут соответствовать .*. Для решения задачи нужно или уточнить искомый результат <[^>]*>, или сделать квантификатор «ленивым», поставив ? после квантификатора <.*?>.

Существует еще один «сверхжадный» режим, его еще называют «ревнивым», он является самым быстродейственным и служит для поиска самого длинного варианта. Данный режим полезен для проверки существования подстроки в строке, а также для исключения из результатов поиска нежелаемых совпадений. Для включения «ревнивого» режима нужно поставить + после квантификатора.

Символьные классы

Наборы различных символов, помещенные в квадратные скобки. В некоторых случаях поведение метасимволов в символьных классах может изменяться по сравнению с их аналогами, находящимися на других позициях «строки-шаблона», например . внутри набора трактуется как литерал.

• [abc] — любой один символ из трех указанных: «a» или «b» или «c».
• [^abc] — любые символы кроме трех указанных: «a» или «b» или «c».
• [a-d] — символы в диапазоне от «a» до «d» (a, b, c, d).
• [^a-d] — любые символ кроме диапазона от «a» до «d» (a, b, c, d).
• [0-9] — целые числа от «0» до «9» (0, 1, 2, 3, 4, 5, 6, 7, 8, 9).
• [^a-d1-4] — любые символы кроме диапазона букв от «a» до «d» (a, b, c, d) и цифр от «1» до «4» (1, 2, 3, 4).

Группы (подмаски)

Группировка добавляет функционал «обратных ссылок», которые дают возможность запоминать найденные группы символов под порядковыми номерами и обращаться к ним по этим номерам как по ссылкам. Для обращения к обратным ссылкам в «строке-шаблоне» используется обратный слэш и присвоенный номер группе (\1), а для обращения в «строке-замене» — знак доллара ($1). Для примера подставим закрывающий HTML-тег заголовка:

/<h([1-6])>.*?<\/h\1>/

В некоторых случаях дополнительно к цифровым удобно использовать именованные группы ((?P<group-name>...) или ((?<group-name>...)), например для обработки динамических HTTP-роутов:

/^(?<category>[a-z0-9-]+)\/(?<post>[a-z0-9-]+)(?<extension>\.html)$/i

Встречаются ситуации, когда необходимо сгруппировать символы, но саму группу не запоминать. Для этого нужно после открывающейся скобки поставить знак вопроса и двоеточие ((?:...)).

Существует еще «атомарная группировка« ((?>...)). Она похожа на «ревнивую« квантификацию, точно также при первом найденном совпадении останавливает поиск в группе и является самой быстрой из группировок.

Подмаска дает возможность применять условия типа if и if-else:

• (?(шаблон-условие)шаблон-если-успех);
• (?(шаблон-условие)шаблон-если-успех|шаблон-если-провал).

Также подмаску можно использовать для поиска конкретного фрагмента в целевой строке, по указанной подмаске будет производиться поиск, но при этом сама подмаска не будет включена в результат поиска.

Модификаторы (флаги)

Модифицируют поведение регулярного выражения, стоящий перед модификатором - инвертирует его поведение (не распространяется на U). Флаги указываются после «строки-шаблона» в произвольном порядке (/RegExp/ugi).

• g — ищет все совпадения со «строкой-шаблоном» (по умолчанию поиск останавливается после первого совпадения).
• i — регистронезависимость («a» и «A» считаются эквивалентными).
• m — мультистроковость (по умолчанию целевая строка, в котором производится поиск, считается одной строкой).
• s — однострочность (контент считается одной строкой в отличие от режима по умолчанию, метасимвол . включает в себя пробельные символы).
• u — поддержка юникода («строка-шаблон» и целевая строка будут обрабатываться в кодировке UTF-8).
• U — инверсия жадности квантификаторов (по умолчанию квантификаторы становятся «ленивыми», вернуть им «жадность» можно, поставив после квантификатора ?).
• x — все неэкранированные пробельные символы, которые находятся вне символьного класса, будут проигнорированы.