Wyrażenia regularne. Wyrażenia regularne: składnia

Transkrypt

1 Wyrażenia regularne Wyrażenia regularne (ang. regular expressions, w skrócie regex) to wzorce, które opisują łańcuchy symboli. Teoria wyrażeń regularnych jest związana z teorią tworzenia tzw. języków naturalnych. Wyrażenia regularne mogą określać zbiór pasujących łańcuchów, mogą również wyszczególniać istotne części łańcucha. Dwie najpopularniejsze składnie wyrażeń regularnych to składnia uniksowa i składnia perlowa. Składnia perlowa jest znacznie bardziej rozbudowana. Jest ona używana nie tylko w języku Perl, ale także w innych językach programowania. Wyrażenia regularne: składnia Znaki zwyczajne a, A, b, B, z, Z, 0, 1, 9,! Znaki specjalne (metaznaki) Rozróżnia się dwa zbiory metaznaków: - metaznaki rozpoznawane w dowolnym miejscu wzorca poza nawiasami kwadratowymi ^, $, *, +,?,., (, ), [, ], {, } - oraz metaznaki rozpoznawane wewnątrz nawiasów kwadratowych. \, ^, -, ] Część wzorca ujęta w nawiasy kwadratowe jest zwana klasą znaków. Dopasowywanie tekstu Każdy znak oprócz znaków specjalnych określa sam siebie, np.: "a" określa łańcuch złożony ze znaku a Kolejne symbole oznaczają, że w łańcuchu muszą wystąpić dokładnie te symbole w dokładnie takiej samej kolejności, np.: "ab3" oznacza łańcuch składający się z liter a, b i cyfry 3 "wyrażenie regularne" oznacza wyrażenie regularne Znaki specjalne Kropka "." oznacza dowolny znak z wyjątkiem znaku nowego wiersza, np.: "r.k" - pasuje do słów - rak rok, ryk itd... ".a." - mak, rak, lat itd... ".o.a" - lola, wola, cola, rola, kolano! itd Potok " " to operator OR, np.: Jeśli napiszemy "a b c" oznacza to, że w danym wyrażeniu może wystąpić a, b lub c

2 Znaki specjalne - grupowanie Podwzorzec może być zamknięty w niepodzielnej grupie za pomocą nawiasów "( )". W ten sposób można użyć gałęzi nie tylko dla całego wzorca, ale też dla jego fragmentów, np.: Jeśli napiszemy "(Ala) (Ola)" oznacza to, że w danym wyrażeniu wystąpić może Ala lub Ola Wzorzec "Fizy((k) (cy))" oznacza Fizyk i Fizycy Zestaw znaków między nawiasami kwadratowymi oznacza dowolny znak objęty nawiasami kwadratowymi, np.: "[abc]" oznacza a, b lub c. Można używać także przedziałów: np.: "[a-c]" "pi[wk]o" oznacza wzorce oznacza piwo piko Znaki specjalne - zakotwiczenia Daszek "^" oznacza początek wiersza, dolar "$" oznacza koniec wiersza, np.: "^.o.a$" Wyrażenie odpowiada ciągowi dokładnie czterech znaków typu cola soja pola itd... występujących samotnie w wierszu "^Do.*zuk$" Do biedronki przyszedl zuk Daszek "^" na początku zestawu oznacza wszystkie znaki oprócz tych z zestawu. Większość znaków specjalnych w tym miejscu traci swoje znaczenie np.: "[^piwo]" wyszukuje łańcuchy w których nie występują litery piwo "pi[^wk]o" wyklucza wyrażenia piwo piko ale nie wyklucza ciągu pilot Znaki specjalne powtórzenia Znak zapytania "?" po symbolu oznacza najwyżej jedno (być może zero) wystąpienie poprzedzającego wyrażenia poprzedzającego wyrażenia Gwiazdka "*" po symbolu, (nawiasie, pojedynczym znaku) nazywana jest dopełnieniem Kleene'a i oznacza zero lub więcej wystąpień poprzedzającego wyrażenia poprzedzającego wyrażenia Plus "+" po symbolu oznacza co najmniej jedno wystąpienie poprzedzającego go wyrażenia Znaki specjalne porównanie?, *, + - "ko?t" - pasuje do wzorców kt, kot - "ko*t" - pasuje do wzorców kt, kot, koot, kooot, koooot,... - "ko+t" - pasuje do wzorców kot, koot, kooot, koooot,... Znaki specjalne odwrotny ukośnik Znaki specjalne poprzedzone odwrotnym ukośnikiem "\" powodują, że poprzedzanym znakom nie są nadawane żadne dodatkowe znaczenia - oznaczają same siebie, np.: "\." oznacza znak kropki (nie dowolny znak) "\\" oznacza odwrotny ukośnik ".*\.roz" wyrażenie typu dowolna_nazwa_pliku.roz

3 Elementy wyrażeń regularnych: znaki specjalne odwrotny ukośnik Za pomocą odwrotnego ukośnika są oznaczane znaki niedrukowalne w wyrażeniach, dzięki czemu można je rozróżnić w zapisie. np.: - "\e" oznacza znak escape - "\f" oznacza nową stronę - "\n" oznacza nowy wiersz - "\r" oznacza powrót karetki - "\t" oznacza tabulację - "\cx" znak "control-x", x jest dowolnym znakiem - "\xhh" Znak o kodzie szesnastkowym - "\a" Sygnał dźwiękowy, czyli znak BEL Wyrażenia regularne: predefiniowane klasy znaków - rozszerzenia perla Odwrotny ukośnik jest używany do oznaczania określonych rodzajów znaków: "\d" Dowolna cyfra dziesiętna - "\D" Dowolny znak nie będący cyfrą dziesiętną - "\s" Dowolny znak drukowalnego odstępu (spacja) - "\S" Dowolny znak nie będący drukowalną spacją - "\w" Dowolny znak należący do "słowa" "pi\w" oznacza wyrażenia zaczynające się od pi "\wka" oznacza wyrażenia kończące się na ka - "\W" Dowolny znak spoza "słowa" Wyrażenia regularne: granice wyrazów "\<" oznacza początek słowa oznacza początek np.: "\<fi" wyrazy zaczynające się od fi (fizyk, fizyka, fiołek ) "\>" oznacza koniec słowa np.: "ot\>" wyrazy kończące się na ot (kot, lot, plot ) np.: "\<słowo\>" oznacza że słowo jest wyrazem samodzielnym "\<słow(o a)\>" to słowo słowa Wyrażenia regularne: predefiniowane klasy znaków Rozszerzony zapis przedziałów, wprowadzenie klas znaków np.: "[[:digit:]]" oznacza dowolną cyfrę "[[:alpha:]]" literę "[[:alnum:]]" literę lub cyfrę "[[:xdigit:]]" liczby w systemie szesnastkowym "[[:lower:]]" małe litery "[[:upper:]]" duże litery "[[:punct:]]" znaki interpunkcji

4 Wyrażenia regularne: liczba powtórzeń Możliwość precyzyjnego określenia liczby wystąpień danego wyrażenia Wyrażenie {N} oznacza dokładnie N wystąpień oznacza Wyrażenie {N,} co najmniej N wystąpień wyrażenia {0,}=* {1,}=+ Wyrażenie {,M} co najwyżej M wystąpień wyrażenia Wyrażenie {N,M} od od N do do M wystąpień wyrażenia {0,1}=? Kilka prostych przykładów:: "[[:digit:]]{2}" oznacza dwucyfrowy ciąg "\<[[:digit:]]{2,4}\>" oznacza liczby dwu, trzy i czterocyfrowe "\<[[:alnum:]]{0,8}\.[[:alnum:]]{3}\>" DOSowskie nazwy plików Przykład [0-9] = [ ]=[[:digit:]] Przykłady 1. Cyfra = LiteraM = a b... z 3. LiteraD = A B... Z 4. (0 1)* = dowolny ciąg binarny Zadanie 1) Napisz następujące wyrażenia regularne: a) liczby całkowite podzielne przez 5 b) polskie ceny (na przykład 3,52 zł) c) czas w postaci "9:17 am" lub "10:30 pm" 2) Napisz program z języku C, (najlepiej z wykorzystaniem biblioteki regex) wyszukujący wzorca x w tekście y. Przetestuj wyszukiwanie wzorców.

5 Biblioteka regex regcomp() kompiluje wyrażenie regularne do późniejszego użycia w funkcji regexec() Składnia: Opis: int regcomp (regex_t *preg, const char *pattern, int cflags); Funkcja regcomp() przygotowuje (kompiluje) wyrażenie regularne, preg, do użycia z funkcją regexec(). Wyrażenie regularne podaje się jako parametr pattern, typ kompilacji modyfikuje się za pomocą flag ustawionych w cflags. Struktura regex_t zawiera kilka pól (większość z nich powinna być używana jedynie przez funkcje biblioteki), wśród których należy wspomnieć o re_nsub, gdzie przechowywana jest ilość wyrażeń regularnych ujętych w nawiasy w parametrze pattern. Argument cflags jest alternatywą bitową żadnej lub więcej z poniższych flag: REG_EXTENDED Użycie składni rozszerzonych wyrażeń regularnych (POSIX Extended Regular Expressions ERE) podczas interpretowania wzorca. Gdy flaga nie jest ustawiona, używana jest składnia podstawowa (POSIX Basic Regular Expressions BRE). REG_NEWLINE Znak nowej linii traktowany jest jak zwykły znak. REG_ICASE Nie rozróżnia wielkich i małych liter we wzorcu. REG_NOSUB Zwraca jedynie powiadomienie o szukaniu zakończonym sukcesem/porażką w funkcji regexec(). Wówczas parametry nmatch oraz pmatch są ignorowane (brak jest adresowania znalezionych dopasowań). Wartość zwracana: 0 w wypadku pomyślnego zakończenia; wartość różna od 0, gdy funkcja zakończy działanie z błędem.

6 regexec() porównuje łańcuch znaków ze wcześniej skompilowanym wzorcem Składnia: Opis: int regexec (const regex_t *preg, const char *string, size_t nmatch, regmatch_t *pmatch, int eflags); Funkcja regexec() porównuje łańcuch string ze skompilowanym wyrażeniem regularnym preg. Znalezione podłańcuchy są zapisywane w tablicy pmatch z parametrem nmatch określającym maksymalną liczbę trafień do zapisania. Struktura regmatch_t zawiera pola (wskaźniki) rm_so oraz rm_eo, które przechowują adres początku i końca każdego dopasowanego podłańcucha. Nieużyte elementy tablicy pmatch są ustawione na NULL. Można wyłączyć zapisywanie dopasowanych podłańcuchów albo przez użycie flagi REG_NOSUB w funkcji regcomp() albo poprzez ustawienie parametru nmatch na zero. Argument eflags określa parametry wywołania dla regexec(). Na przykład, może pojawić się potrzeba wywołania funkcji regexec() wielokrotnie, gdy linia, którą przetwarzasz, jest za długa, by zmieścić się w argumencie string. Argument eflags jest alternatywą bitową żadnej lub więcej z następujących flag: REG_NOTBOL string nie jest początkiem przetwarzanej linii. Ta flaga może być użyta, gdy do regexec() podawane są różne części linii i początek string nie powinien być interpretowany jako początek linii. REG_NOTEOL J.w. tylko dla końca linii. Wartość zwracana: Jeśli funkcja regexec() zakończy sukcesem wyszukiwanie w string wzorca preg zwraca 0. Jeśli wyszukiwanie zakończy się niepowodzeniem lub wystąpi błąd, regexec() zwraca wartość niezerową.

7 regerror() wyjaśnia kod błędu zwrócony przez regcomp() lub regexec() Składnia: Opis: size_t regerror (int err, const regex_t *reg, char *buf, size_t len); Funkcja regerror() zwraca łańcuch wyjaśniający kod błędu zwrócony przez regcomp() lub regexec(). Maksymalnie len pierwszych znaków łańcucha jest kopiowanych do parametru buf. Argument reg musi być regularnym wyrażeniem użytym w zakończonym niepowodzeniem wywołaniu regcomp() lub regexec(). Parametr err musi być wartością zwróconą przez poprzednie wywołanie funkcji regcomp() lub regexec(). Wartość zwracana: Ilość znaków skopiowanych do łańcucha. regfree() zwalnia całą pamięć zaalokowaną przez regcomp() dla wyrażenia regularnego Składnia: Opis: void regfree (regex_t *preg); Funkcja regfree() zwalnia całą pamięć zaalokowaną przez regcomp() przypisaną zmiennej preg.

8 Przykładowy program z użyciem biblioteki regex #include <stdlib.h> int main () { int status; regex_t re; regmatch_t match[1]; char wzorzec[30], bufor[30]; char lancuch[] = "Wydzial Matematyki i Informatyki"; printf ("Tekst do wyszukiwania w nim: \"%s\".\n", lancuch); printf ("Wprowadz wzorzec do wyszukania > "); scanf ("%s", &wzorzec); if (regcomp (&re, wzorzec, REG_EXTENDED)!= 0) { printf ("\nblad kompilacji wzorca!\n"); return (1); } status = regexec (&re, lancuch, (size_t) 1, match, 0); if (status!= 0) { regerror (status, &re, bufor, (size_t) 30); printf ("\nwyszukiwanie zakonczone niepowodzeniem.\n Rodzaj bledu: %s.\n", bufor); return (1); } regfree (&re); printf ("\nlancuch odpowiadajacy wzorcowi \"%s\" zostal odnaleziony.\n", wzorzec); printf ("Znaki: %d-%d, lancuch: '%.*s'.\n", match[0].rm_so, match[0].rm_eo, match[0].rm_eo-match[0].rm_so, &lancuch[match[0].rm_so]); return (0); }