Главная > Статьи > Регулярные выражения >

Урок 3. Соответствие набору символов

28.03.2018

В этом уроке вы научитесь работать с наборами символов. В отличие от точки ., которая соответствует любому отдельному символу (это вы узнали в предыдущем уроке), наборы дают возможность установить соответствие с определенными символами и символьными диапазонами.

Соответствие одному из нескольких символов

Как вы узнали из предыдущего урока, точке . соответствует один символ (как и любому литеральному символу). В заключительном примере урока 2, "Поиск отдельных символов", шаблон .a использовался для нахождения и na, и sa, причем точке . соответствовал и символ n, и символ s. Но что, если бы там был еще и файл ca1.xls с коммерческими данными по Канаде, а вам нужно найти только na и sa? Точке . соответствовал бы также и символ c, и потому имя этого файла также было бы найдено.

Чтобы найти только n или s, а не любой символ, нужно установить соответствие только с одним из этих двух символов. В регулярных выражениях набор символов определяется с помощью метасимволов [ и ]. Символы [ и ] определяют набор символов, состоящий из всех символов между ними. Любой член набора может соответствовать символу, с которым он совпадает. Вот пересмотренная версия заключительного примера предыдущего урока:

sales1.xls 
orders3.xls 
sales2.xls 
sales3.xls 
apac1.xls 
europe2.xls 
na1.xls 
na2.xls 
sa1.xls 
ca1.xls

Регулярное выражение

[ns]a.\.xls

Результат

sales1.xls 
orders3.xls 
sales2.xls 
sales3.xls 
apac1.xls 
europe2.xls 
na1.xls
na2.xls
sa1.xls
ca1.xls

Используемое здесь регулярное выражение начинается с [ns]; это соответствует либо n, либо s (но не c или любому другому символу). Символы [ и ] не соответствуют никаким символам — они определяют набор. Литерал a соответствует a, точке . соответствует любой символ, наклонной черте с точкой \. соответствует ., а литералу xls соответствует xls. Если использовать этот шаблон, будут найдены только три нужных имени файла.

На самом деле шаблон [ns]a.\.xls также не совсем правильный для данной задачи. Если бы существовал файл usa1.xls, этот шаблон нашел бы и его. При решении этой проблемы нужно учитывать еще и позиции символов, что будет сделано в уроке 6, "Соответствие позиций".

Отсюда следует, что проверка регулярных выражений может оказаться делом довольно сложным. Подтвердить, что шаблон найдет то, что вам нужно, довольно просто. Гораздо сложнее убедиться, что вы не найдете то, что вы не хотите.

Наборы символов часто используются для выполнения операций поиска (или определения некоторых частей), не зависящих от регистра. Например:

Текст

The phrase "regular  expression" is often  
abbreviated as RegEx or regex.

Регулярное выражение

[Rr]eg[Ee]x

Результат

The phrase "regular  expression" is often  
abbreviated as RegEx or regex.

Используемый здесь шаблон содержит два набора символов: [Rr], которому соответствуют символы R и r, и [Ee], которому соответствуют символы E и e. Именно поэтому мы нашли как RegEx, так и regex. Однако цепочка REGEX не была бы найдена.

Если при сопоставлении с шаблоном регистр не учитывается, эта методика не нужна. Такой тип шаблона используется только при выполнении поиска с учетом регистра, если определенные части ищутся без учета регистра.

Использование диапазона набора символов

Обратимся к примеру со списком файлов. С последним использованным шаблоном, [ns]a.\.xls, связана еще одна проблема. Что было бы, если бы существовал файл sam.xls? Он тоже был бы найден, потому что точке . соответствуют все символы, а не только цифры.

Наборы символов могут решить эту проблему следующим образом:

Текст

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls 
na1.xls 
na2.xls 
sa1.xls 
ca1.xls

Регулярное выражение

[ns]a[0123456789]\.xls

Результат

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls 
na1.xls
na2.xls
sa1.xls
ca1.xls

В этом примере шаблон был изменен так, чтобы первый символ был либо n, либо s, второй символ — только а, третьим символом могла быть любая цифра (указанная как [0123456789]). Обратите внимание, что файл sam.xls не был бы найден, потому что m не соответствует списку допустимых символов (10 цифр).

При работе с регулярными выражениями часто приходится определять диапазоны символов (от 0 до 9, от А до Z, и т.д.). Чтобы упростить работу с символьными диапазонами, в регулярных выражениях для определения диапазонов используется специальный метасимвол: - (дефис).

Вот тот же самый пример, но на сей раз используется диапазон:

Текст

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls 
na1.xls 
na2.xls 
sa1.xls 
ca1.xls

Регулярное выражение

[ns]a[0-9]\.xls

Результат

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls 
na1.xls
na2.xls
sa1.xls
ca1.xls

Шаблон [0-9] функционально эквивалентен [0123456789], так что результат идентичен результату предыдущего примера.

Диапазоны могут состоять не только из цифр. Вот примеры правильных (допустимых) диапазонов:

A-Z соответствует всем символам верхнего регистра от А до Z.
a-z соответствует всем символам нижнего регистра от а до z.
A-F соответствует только символам верхнего регистра от А до F.
A-z соответствует всем символам, ASCII-коды которых находятся в диапазоне от ASCII-кода А до ASCII-кода z. (Вероятно, вы никогда не должны использовать этот шаблон, потому что он включает также символы вроде [ и ^, которые в таблице ASCII расположены между Z и а).

Любые два символа ASCII могут быть определены как начало и конец диапазона. Однако обычно диапазоны составляются из некоторых (или всех) цифр и некоторых (или всех) алфавитных символов.

При использовании диапазонов следите, чтобы конец диапазона не был меньше, чем начало диапазона (диапазон типа [3-1] не допустим). Такая ошибка часто делает неработоспособным весь шаблон.

Дефис (-) рассматривается как специальный метасимвол только когда он используется между [ и ]. Вне набора - является литералом и будет соответствовать только -. Поэтому вне набора дефису - не обязан предшествовать никакой специальный знак.

Несколько диапазонов можно объединить в один набор. Например, следующий шаблон соответствует любому алфавитно-цифровому символу на верхнем или нижнем регистре, но не соответствует ничему, что не является ни цифрой, ни алфавитным символом:

[A-Za-z0-9]

Этот шаблон — сокращение для

[ABCDEFGHIJKLMNOPQRSTUVWXYZabcde
fghijklmnopqrstuvwxyz0123456789]

Как видите, диапазоны намного сокращают запись регулярных выражений.

Ниже приведен еще один пример, на сей раз находятся RGB-значения (цвета, указанные в шестнадцатеричнои нотации, представляющей количество красного, зеленого и синего в создаваемом цвете). В Web-страницах RGB-значения определяются как #000000 (черный), #FFFFFF (белый), #FF0000 (красный), и т.д. RGB-значения могут быть определены на верхнем или нижнем регистре, так что значение #FF00ff (сиреневый) также является допустимым. Вот пример:

Текст

<BODY BGCOLOR="#336633" TEXT="#FFFFFF" 
      MARGINWIDTH="0" MARGINHEIGHT="0"
      TOPMARGIN="0" LEFTMARGIN="0">

Регулярное выражение

#[0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f]

Результат

<BODY BGCOLOR="#336633" TEXT="#FFFFFF" 
      MARGINWIDTH="0" MARGINHEIGHT="0"
      TOPMARGIN="0" LEFTMARGIN="0">

Используемый здесь шаблон содержит символ # как буквальный текст, а затем набор символов [0-9A-Fa-f], повторенный шесть раз. Это соответствует символу #, за которым следует шесть символов, каждый из которых должен быть цифрой или буквой от А до F (на верхнем или нижнем регистре).

Соответствие с чем угодно, кроме...

Наборы символов обычно используются для того, чтобы определить список символов, любой из которых может соответствовать одному символу. Но иногда проще указать список символов, ни с одним из которых не должен совпадать данный символ. Другими словами, нужно указать соответствие с чем угодно, кроме того, что указано в списке шаблона.

Вместо того чтобы перечислять каждый символ, можно, используя метасимвол ^, инвертировать наборы символов. Вот пример:

Текст

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls 
na1.xls 
na2.xls 
sa1.xls 
ca1.xls

Регулярное выражение

[ns]a[^0-9]\.xls

Результат

sales1.xls 
orders3.xls 
sales2.xls 
sales1.xls 
apac1.xls 
europe2.xls 
sam.xls
na1.xls
na2.xls 
sa1.xls
ca1.xls

Используемый в этом примере шаблон — полная противоположность ранее использованного шаблона. Диапазон [0-9] соответствует всем цифрам (и только цифрам). Выражение [^0-9] соответствует чему угодно, кроме цифр указанного диапазона. Также [ns]а[^0-9]\.xls соответствует sam.xls, но не na1.xls, na2.xls или sa1.xls.

Метасимвол ^ отрицает все символы или диапазоны в наборе, а не только символ или диапазон, которому он предшествует.

Резюме

Метасимволы [ и ] используются для того, чтобы определить наборы символов, любой из которых может соответствовать данному (операция ИЛИ в отличие от И). Наборы символов могут быть перечислены явно или определены как диапазоны с помощью метасимвола -. Используя ^, наборы символов можно инвертировать, инвертированному шаблону соответствует что угодно, кроме указанных в нем символов.