Reguläre Ausdrucke (PCRE)

Reguläre Ausdrücke& die PCRE- Bibliothek

Dominik SiebelPHP Usergroup D / DU / KR

Usergrouptreffen am 24.02.2010

24.02.10 Dominik Siebel - Reguläre Ausdrücke & die PCRE- Bibliothek 2

Über mich

Dominik Siebel (25)

Fachinformatiker für Anwendungsentwicklung

PHP seit 2004

Webdeveloper TWT Interactive GmbH seit Juni 2008


Agenda

Definition & Theorie

Einstieg

Struktur und Funktionsweise

Metazeichen

Zeichenklassen

Quantoren

Einfache Beispiele

Fortgeschritten

Greediness

Subpattern

Assertions

Bedingte Ausdrücke

Zusatz

Regex in PHP

Dos und Don'ts (Rekursionen)



In der Informatik ist ein regulärer Ausdruck (RegExp oder Regex) eine Zeichenkette, die der

Beschreibung von Mengen und Untermengen von Zeichenketten mit Hilfe bestimmter syntaktischer

Regeln dient.



Beschreiben eine Familie von formalen Sprachen

Formale Grammatik vom Typ3 der Chomsky-Hierarchie

Zu jedem Regex existiert ein endlicher Automat

3 Operationen

Alternative (Boolean „or“)

Verkettung (Grouping)

Wiederholung (Quantification)


Funktionsweise

Zeichenweise Verarbeitung

immer von links nach rechts

Alle Metazeichen / Zeichenklassen werden als einfaches Zeichen gewertet

„Dumm und gierig“

Bestehen aus Zeichen des zugrunde liegenden Alphabets und definierten Metazeichen*


Struktur Aufbau eines Reges



/[a-z]+/im



/[a-z]+/imDelimiter

Beliebiges Zeichen

Muss im Ausdruck escaped werden

'(' oder ')' in PCRE: ([a-z]+)im



/[a-z]+/imDelimiter

Beliebiges Zeichen



Ausdruck



/[a-z]+/imDelimiter

Beliebiges Zeichen



Ausdruck

Modifier


Metazeichen

. beliebiges Zeichen

^ Anfang

$ Ende

| Alternative

(…) Subpattern

[…] Zeichenklassen

* + ? {n,m} Quantoren

\ Aufheben der Meta- Eigenschaften

\. \^ \$ \\ ...


Zeichenklassen Abgrenzung

Logische Gruppierung von Zeichen

[0-9] Zeichenauswahl

repräsentiert ein Zeichen der Auswahl

Kontextsensitiv

\d Zeichenklasse

Können durch Zeichenauswahl abgebildet werden

Negierung durch Großschreibung: \D


Zeichenklassen Beispiele

Zeichenauswahl

[abc] Buchstabe a,b oder c

[a-zA-Z0-9] alphanumerisches Zeichen

[^a-zA-Z0-9] alles außer einem alphanumerischen Zeichen

Vordefinierte Zeichenklassen

\d Dezimalzahl

\w Wortzeichen

\s Whitespace (Leerzeichen UND Steuerzeichen \t, \r, \n)

… und mehr: \h, \H, \v, \V


Quantoren

Vervielfachen des vorangegangenen Ausdrucks

Können auf jeden beliebigen Ausdruck angewendet werden:

Zeichen Zeichenklassen

Referenzen Subpattern

/[a-z]+/


Quantoren Typen

? vor. Ausdruck optional {0,1}

+ vor. Ausdruck mindestens einmal {1,}

* vor. Ausdruck beliebig oft {0,}

{min,max}

{n} vor. Ausdruck exakt n-mal

{,max} vor. Ausdruck maximal max-mal

{min,} vor. Ausdruck mindestens min-mal


Einfache Beispiele


Einfache Beispiele

/.*/


Einfache Beispiele

Jedes beliebige Zeichen beliebig oft (auch kein-mal)

/.*/


Einfache Beispiele

Jedes beliebige Zeichen beliebig oft (auch kein-mal)

/.*/


Einfache Beispiele

/[a-z]+/


Einfache Beispiele

Kleinbuchstaben von a bis z

/[a-z]+/


Einfache Beispiele

/[a-z]+/

Kleinbuchstaben von a bis z

Ein- bis n-mal


Einfache Beispiele

/[a-z]+/i


Einfache Beispiele

Alle Buchstaben von a bis z

/[a-z]+/i


Einfache Beispiele

Alle Buchstaben von a bis z

ein- bis n-mal

/[a-z]+/i


Einfache Beispiele

/foo(\s*,\s*foo)*/


Einfache Beispiele

/foo(\s*,\s*foo)*/

Zeichenkette foo


Einfache Beispiele

Zeichenkette foo

0 bis n kommaseparierte Zeichenketten foo

/foo(\s*,\s*foo)*/


Einfache Beispiele

Zeichenkette foo


/foo(\s*,\s*foo)*/


Einfache Beispiele

Zeichenkette foo


Inklusive umgebender Whitespaces

/foo(\s*,\s*foo)*/


Greediness

Q: Auf wie viele Zeichen matcht der Reguläre Ausdruck für die Zeichenkette foobar

Alle?

Keins?

A: Abhängig von der „Gierigkeit“ (Greediness) der Regex- Engine

Greedy (default)

Ungreedy

.*


Greediness Umschalten

Global über Modifier U

/.*/U

Gilt für den gesamten Regulären Ausdruck

Lokal über Quantor gefolgt von ?

/.*?/

/[0-9]+?/

Gilt für den jeweils vorangestellten Teilausdruck

/.*?/U Kombination möglich


Greediness

Input: foobar

Match: alle Zeichen

/.*/


Greediness

Input: foobar

Match: kein Zeichen

/.*/U

/.*?/


Subpattern


Subpattern Verwendung

Informationsextraktion

Nummeriert nach öffnenden Klammern:

foobar

bar

bar

/(foo(bar))(baz)*/



Vervielfachung von Teilausdrücken durch Quantoren

/(foobar)*/



Rückwärtsreferenzierung

Wiederverwendung von Subpattern

Nummeriert nach öffnender Klammer

/(foo|bar)something(\1)*/


Subpattern Gruppierung

Gruppierung ohne die Erzeugung eines Subpattern durch ?:

Result:

foo | bar

foo | bar

/(foo|bar)(?:baz)?(\1)*/


Subpattern Benennung

Eigenart der PCRE

Mit ?P<key> lassen sich Subpattern zusätzlich assoziativ ablegen:

Input: Dominik Siebel

0 => 'Dominik Siebel'

'firstname' => 'Dominik'

1 => 'Dominik'

/(?P<firstname>[A-Za-z]+) (?P<lastname>[A-Za-z]+)/


Assertions Definition

Annahme / Behauptung

Seit Perl 5

Ermöglichen kontextsensitive Bedingungen

Positive Assertions

Negative Assertions

Forward Assertions

Backward Assertions


Assertions positive forward

Positive look-ahead assertion

Definiert durch ?=

„Finde whitespace wenn gefolgt von EUR“

/\s(?=EUR)/


Assertions negative forward

Negative look-ahead assertion

Definiert durch ?!

„Finde Sport wenn nicht gefolgt von verein“

/Sport(?!verein)/


Assertions positive backward

Positive look-behind assertion

Definiert durch ?<=

„Finde Zahlen vorangestelltem EUR“

/(?<=EUR) \d+/


Assertions negative backward

Negative look-behind assertion

Definiert durch ?<!

„Finde verein wenn Sport nicht vorausgegangen ist“

/(?<!Sport)verein/


Bedingte Ausdrücke

„Wenn öffnendes a-Tag vorhanden muss das schließende auch gematcht werden“

Vergleichbar mit dem ternären Operator in PHP:

echo ( empty($aList) ? 'Liste leer' : '' );

Definiert durch ?(if) then | else

Nachfolgender Ausdruck wenn Bedingung erfüllt

/(<a\s+[^>]+\s*)?<img\s+[^>]+>(?(\1)\s*</a>)/


Bedingte Ausdrücke

<a>

/(<a\s+[^>]+\s*)?<img\s+[^>]+>(?(\1)\s*</a>)/


Bedingte Ausdrücke

<a>

<img>

/(<a\s+[^>]+\s*)?<img\s+[^>]+>(?(\1)\s*</a>)/


Bedingte Ausdrücke

<a>

<img />

Bedingung: <a> muss vorhanden sein

„Wenn <a> - Tag gefunden, dann </a> suchen“

/(<a\s+[^>]+\s*)?<img\s+[^>]+>(?(\1)\s*</a>)/


Bedingte Ausdrücke

<a>

<img />

Bedingung: <a> muss vorhanden sein

„Wenn <a> - Tag gefunden, dann </a> suchen“

/(<a\s+[^>]+\s*)?<img\s+[^>]+>(?(\1)\s*</a>)/


Reguläre Ausdrücke in PHP preg_*

preg_match(RegExp, Subject, [matches])

Subject einfach gegen RegExp prüfen

Optional: matches

Liefert 0 oder 1 (Anzahl der Treffer)

preg_replace(RegExp, Replacement, Subject)

Alle Treffer von RegExp in Subject durch Replacement ersetzen

Optional: Limit, Anzahl der Ersetzungen

Liefert Subject nach Ersetzungen



preg_split(RegExp, Subject)

Subject anhand von RegExp aufteilen

Optional: Limit, Flags*

Liefert array der Teile







Flags

PREG_SPLIT_NO_EMPTY Leere Elemente werden ignoriert

...







preg_quote(Subject, [Delimiter])

Metazeichen in Subject escapen

Optional: Delimiter

Liefert Subject breinigt



preg_match_all(RegExp, Subject, [Matches], [Flags])


Optional: Matches, Flags*, Offset

Liefert 0 oder Anzahl der Treffer





Optional: Matches, Flags*, Offset*


Flags

PREG_PATTERN_ORDER Sortierung nach Subpattern (default)

PREG_SET_ORDER Sortierung nach Gesamtausdruck (vgl. preg_match)

...





Optional: Matches, Flags*, Offset*


Manual: http://php.net/manual/en/ref.pcre.php


Reguläre Ausdrücke in PHP Escaping

Bestimmte Zeichen müssen escaped werden

Double quotes “

\$ Dollarzeichen

\\ Backslash

\“ double quote

Single quotes '

\\ Backslash

\' single quote


Reguläre Ausdrücke in PHP Escaping

Alle Metazeichen ! ? . + * () [] {}

Delimiter (Außer bei Verwendung von () )

Verwendung von Single Quotes ratsam

/[\\\\\\[\\]]*/Auch wenn nicht nötig: Backslash escapen


Dos und Don'ts

Do: Validierung von begrenztem input

Do: Tokenizing von Zeichenketten

Dont: Parsen mit Regulären Ausdrücken

Schwer wartbar

Fehlersuche fast unmöglich


Quellen

Reguläre Ausdrücke – kurz & gut, O'Reilly Verlag, ISBN: 3897215357

Wikipedia http://de.wikipedia.org/wiki/Regul%C3%A4re_Ausdr%C3%BCcke


Empfehlungen

Reguläre Ausdrücke – kurz & gut, O'Reilly Verlag, ISBN: 3897215357

Reguläre Ausdrücke, O'Reilly Verlag, ISBN: 3897217201

Reguläre Ausdrücke& die PCRE- Bibliothek

Vielen Dank für Eure Aufmerksamkeit!

Technology

Reguläre Ausdrucke (PCRE)