Главная > Статьи > Регулярные выражения >

Урок 6. Соответствие позиций

12.04.2018

Теперь вы знаете, как установить соответствие между всеми типами символов во всевозможных типах комбинаций и повторений в любом положении в тексте. Однако иногда необходимо установить соответствие в определенных местоположениях в пределах блока текста, для чего требуется установить соответствие позиций, — именно это объясняется в данном уроке.

Использование границ

Соответствие позиций позволяет указать, где в строке текста должно произойти совпадение. Чтобы понять потребность в соответствии позиций, рассмотрим следующий пример:

Текст

The cat scattered his food all over the room.

Регулярное выражение

cat

Результат

The cat scattered his food all over the room.

Шаблон cat соответствует всем вхождениям cat, даже вхождению cat в слово scattered. На самом деле иногда как раз это и нужно, но более чем вероятно, что требуется совсем другое. Если вы хотите в результате поиска заменить все вхождения слова cat на слово dog, то при таком поиске все закончилось бы следующей ерундой:

The dog sdogtered his food all over the room.

Это заставляет нас учитывать границы и использовать специальные метасимволы для определения позиции (или границы) перед шаблоном и после него.

Границы слова

Символ \b указывает границу слова. Таким образом, \b соответствует началу или концу слова.

Чтобы продемонстрировать использование \b, рассмотрим предыдущий пример снова, на сей раз с указанием границ:

Текст

The cat scattered his food all over the room.

Регулярное выражение

\bcat\b

Результат

The cat scattered his food all over the room.

Перед словом cat и после него есть пробел, и слово вместе с пробелами соответствует шаблону \bcat\b (пробел — один из символов, которые обычно отделяют слова). Вхождение слова cat в scattered, однако, не соответствует этому шаблону, потому что этому слову в scattered предшествует символ s, а после него идет символ t (ни один из которых не соответствует \b).

Так чему же именно соответствует \b? Механизмы регулярных выражений не понимают английский или любой другой язык, и потому они не могут определить границы слова. Символ \b просто соответствует позиции между символом, который является обычно частью слова (слова состоят из алфавитно-цифровых символов и символа подчеркивания, т.е. представляют собой текст, который состоит из символов, соответствующих \w) и чем-нибудь, что не может быть частью слова (текст, который состоит из символов, соответствующих \W).

Важно помнить, что для того, чтобы найти слово целиком, \b должен использоваться и перед, и после текста, с которым будет установлено соответствие. Рассмотрим следующий пример:

Текст

The captain wore his cap and cape proudly as he sat 
listening to the recap of how his crew saved the men  
from a capsized vessel.

Регулярное выражение

\bcap

Результат

The captain wore his cap and cape proudly as he sat 
listening to the recap of how his crew saved the men  
from a capsized vessel.

Шаблон \bcap соответствует любому слову, которое начинается с cap, и потому были найдены четыре слова, причем три из них не являются словом cap.

Далее приведен тот же самый пример, но только \b стоит в конце слова:

Текст

The  captain wore his cap and cape proudly as he sat 
listening to the recap of how his crew saved the men  
from a capsized vessel.

Регулярное выражение

cap\b

Результат

The  captain wore his cap and cape proudly as he sat 
listening to the recap of how his crew saved the men  
from a capsized vessel.

Выражение сар\b соответствует любому слову, которое заканчивается на cap, и потому были найдены два совпадения, включая и то слово, которое не является словом cap.

Но если нужно найти только слово cap, правильным шаблоном является только \bcap\b.

На самом деле символ \b не соответствует какому-либо символу; он соответствует позиции. Поэтому длина строки, которая находится шаблоном \bcat\b, равна трем (с, а и t), а не пяти символам.

Чтобы указать нечто, не соответствующее границе слова, используйте \B. В следующем примере метасимволы \B помогают определить местонахождение дефисов с лишними пробелами вокруг них:

Текст

Please enter the nine-digit id as it appears on your 
color - coded pass-key.

Регулярное выражение

\B-\B

Результат

Please enter the nine-digit id as it appears on your 
color - coded pass-key.

\B-\B соответствует дефису, который окружен символами границы слова. Дефисы в nine-digit и pass-key не соответствуют шаблону, но дефис в color - coded будет найден.

Как указывалось в уроке 4, «Использование метасимволов», метасимволы на верхнем регистре обычно отрицают функциональные возможности их эквивалентов на нижнем регистре.

В некоторых реализациях регулярных выражений поддерживается два дополнительных метасимвола. Метасимвол \b соответствует началу или концу слова, дополнительный метасимвол \< соответствует только началу слова, а дополнительный метасимвол \> соответствует только концу слова. Хотя использование этих символов обеспечивает дополнительное управление, поддержка их очень ограничена.

Определение границ строк

Границы слов позволяют указать местонахождение совпадений относительно позиции в слове (начало слова, конец слова, полностью слово и т.д.). Границы строк выполняют подобную функцию, но используются для нахождения соответствий с шаблонами в начале или конце всей строки. Метасимволы для границ строк — крыша ^ (начало строки) и доллар $ (конец строки).

В уроке 3, «Соответствие набору символов», вы узнали, что крыша ^ используется для того, чтобы отрицать набор. Как же она может использоваться также и для указания начала строки?

Метасимвол ^ имеет несколько значений. Этот метасимвол отрицает набор, только если находится в наборе (т.е. заключен в квадратные скобки [ и ]) и является первым символом после открывающей [. Вне набора и в начале шаблона ^ соответствует началу строки.

Чтобы продемонстрировать использование границ строк, рассмотрим следующий пример. Правильные (допустимые) XML-документы начинаются с <?xml> и, вероятно, имеют дополнительные атрибуты (например, номер версии, как в <?xml version="1.0" ?>). Ниже мы просто проверяем, является ли текст XML-документом:

Текст

<?xml version="1.0" encoding="UTF-8" ?>
<wsdl:definitions targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Регулярное выражение

<\?xml.*\?>

Результат

<?xml version="1.0" encoding="UTF-8" ?>
<wsdl:definitions targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Шаблон, казалось, сработал. <\?xml соответствует <?xml, .* соответствует любому другому тексту (нуль или больше экземпляров .), а \?> соответствует ?> в конце тега.

Но это очень грубая проверка. Рассмотрим следующий пример: тот же шаблон используется для того, чтобы найти текст, которому предшествует лишний текст перед открытием XML.

Текст

This is bad, real bad!
<?xml version="1.0" encoding="UTF-8" ?>
<wsdl:definitions  targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Регулярное выражение

<\?xml.*\?>

Результат

This is bad, real bad!
<?xml version="1.0" encoding="UTF-8" ?>
<wsdl:definitions  targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Шаблон <\?xml.*\?> соответствует второй строке текста. И хотя тег, открывающий XML, действительно может быть помещен во второй строке текста, этот пример определенно недопустим (и обработка такого текста как XML-документа может вызвать всевозможные проблемы).

Необходимо проверить, что открывающий XML-тег на самом деле является первым текстом в строке, и именно это должен сделать метасимвол ^:

Текст

<?xml version="1.0" encoding="UTF-8" ?>
<wsdl:definitions  targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Регулярное выражение

^\s<\?xml.*\?>

Результат

<?xml version="1.0" encoding="UTF-8" ?> 
<wsdl:definitions  targetNamespace="http://tips.cf" 
xmlns:impl="http://tips.cf" xmlns:intf="http://tips.cf" 
xmlns:apachesoap="http://xml.apache.org/xml-soap" … >

Первый символ ^ соответствует началу строки, поэтому ^\s* соответствует началу строки, после которого следует нуль или большее количество пробельных символов (таким образом обрабатываются допустимые пробелы, позиции табуляции и концы строк перед открытием XML-документа). Следовательно, весь шаблон ^\s<\?xml.*\?> соответствует открывающему XML-тегу с любыми атрибутами, причем он правильно обрабатывает таклсе и пробельные символы.

Шаблон ^\s*<\?xml.*\?> сработал правильно, но только потому, что XML-документ, приведенный в этом примере, не завершен. Если бы использовался весь XML-документ, вы бы увидели пример работы жадного квантора. Это, вероятно, был бы самый убедительный пример того, когда нужно использовать .*? вместо просто .*.

Знак $ используется во многом аналогичным способом. Этот знак помогает проверить, что после закрывающего тега </html> на Web-странице ничего нет:

</[Hh][Tt][Mm][Ll]>\s*$

Наборы используются для каждого из символов H, T, M и L (чтобы обработать любую комбинацию символов верхнего и нижнего регистров), a \s*$ соответствуют любому пробельному символу, за которым следует конец строки.

Шаблон ^.*$ — синтаксически правильное регулярное выражение, которое почти всегда будет находить соответствие, и потому оно совершенно бесполезно. Попробуйте догадаться, чему соответствует данное выражение и когда оно не будет находить соответствие.

Использование многострочного режима

Обычно ^ соответствует началу строки, а $ — концу строки. Однако есть исключение, а точнее, способ изменить такое поведение этих символов.

Во многих реализациях регулярных выражений имеются специальные метасимволы, которые изменяют поведение других метасимволов; один из них — (?m). Этот метасимвол допускает использование многострочного режима. Многострочный режим вынуждает механизм регулярных выражений обрабатывать конец строки как разделитель строк, и в этом режиме ^ соответствует началу строки или началу после конца строки (т.е. началу новой строки), а $ соответствует концу строки или концу после конца строки.

Метасимвол (?m) (если он, конечно, применяется) должен быть помещен в самое начало шаблона, как показано в следующем примере, в котором регулярное выражение помогает определить местонахождение всех комментариев в блоке кода, написанном на JavaScript:

Текст

<SCRIPT>
function doSpellCheck(fora, field) {
  // Make sure not empty
  if (field.value == '') { 
    return false;
  }
  // Init
  var windowName='spellWindow';
  var spellCheckURL='spell.cfm?formname=comment&fieldname='+field.name;
  ..........
  // Done 
  return false; 
}
</SCRIPT>

Регулярное выражение

(?m)^\s*//.*$

Результат

<SCRIPT>
function doSpellCheck(fora, field) {
  // Make sure not empty
  if (field.value == '') { 
    return false;
  }
  // Init
  var windowName='spellWindow';
  var spellCheckURL='spell.cfm?formname=comment&fieldname='+field.name;
  ..........
  // Done
  return false; 
}
</SCRIPT>

Выражение ^\s*//.*$ соответствует началу строки, за которым следует любой пробельный символ, за ним в свою очередь следует // (начало комментария в JavaScript), за которым размещается любой текст, после чего следует конец строки. Однако использованный нами шаблон соответствовал бы только первому комментарию (и то только если бы это был единственный текст на странице). Модификатор (?m) в (?m)^\s*//.*$ заставляет шаблон обрабатывать концы строк как разделители строк, и потому были найдены все комментарии.

Выражение (?m) не поддерживается многими реализациями регулярных выражений.

В некоторых реализациях регулярных выражений также поддерживается метасимвол \A, соответствующий началу строки, и метасимвол \Z, соответствующий концу строки. Если эти метасимволы поддерживаются, то ведут себя они очень похоже на ^ и $, но в отличие от ^ и $, они не модифицируются метасимволом (?m) и поэтому не будут работать в многострочном режиме.

Резюме

Регулярные выражения могут соответствовать любым блокам текста или тексту в определенной позиции в строке. Символ \b соответствует границе слова (а \B — его противоположность — все делает полностью наоборот). Метасимволы ^ и $ отмечают границы строк (начало строки и конец строки, соответственно), хотя когда используется модификатор (?m), ^ и $ будут также соответствовать строкам, которые начинаются или заканчиваются в конце строки (т.е. там, где стоит символ разрыва строки).