Βασικά#

Η μικρότερη χρήσιμη regex είναι μια απλή συμβολοσειρά. Το "Hello World" =~ /World/ ρωτά: περιέχει η συμβολοσειρά στα αριστερά το μοτίβο στα δεξιά; Το περιέχει, άρα η έκφραση είναι αληθής.

if ("Hello World" =~ /World/) {
    print "matched\n";
}

Τα // περικλείουν το μοτίβο. Ο τελεστής =~ συνδέει το μοτίβο με τη συμβολοσειρά που θέλετε να ελέγξετε. Χωρίς τελεστή σύνδεσης, η Perl εφαρμόζει το μοτίβο στο $_.

Ο τελεστής αντιστοίχισης#

Η εκτεταμένη μορφή είναι m//:

"Hello World" =~ m/World/;
"Hello World" =~ m!World!;    # alternate delimiters
"Hello World" =~ m{World};    # paired delimiters

Το m σάς επιτρέπει να επιλέξετε οποιοδήποτε διαχωριστικό. Αυτό έχει σημασία όταν το ίδιο το μοτίβο περιέχει το προεπιλεγμένο διαχωριστικό / — συγκρίνετε

"/usr/bin/perl" =~ /\/usr\/bin\/perl/;  # leaning toothpick syndrome
"/usr/bin/perl" =~ m!/usr/bin/perl!;    # clearer

Τα ζευγαρωτά διαχωριστικά ({}, (), [], <>) εμφωλεύονται, κάτι που είναι χρήσιμο όταν το μοτίβο περιέχει τον χαρακτήρα του διαχωριστικού.

Χωρίς m, η αρχική κάθετος είναι υποχρεωτική: μόνο /pat/. Με m, το αρχικό m είναι υποχρεωτικό: m{pat}, όχι {pat}.

Μια μικρή αλλά χρήσιμη γωνία: τα m'' (απλά εισαγωγικά ως διαχωριστικά) κάνουν το μοτίβο τύπου απλών εισαγωγικών — χωρίς παρεμβολή μεταβλητών, χωρίς διαφυγές διπλών εισαγωγικών. Χρήσιμο όταν το μοτίβο πρόκειται να περιέχει κυριολεκτικό $ ή @ και δεν θέλετε να τα διαφεύγετε.

'price: $10' =~ m'\$\d+';      # $-as-anchor would be /$\d+/
'price: $10' =~ m'$10';        # literal '$10' — no interpolation

Άλλοι τελεστές regex#

Το m// είναι ένα από τα τέσσερα:

Τελεστής	Σκοπός
`m//`	αντιστοίχιση — ταιριάζει το μοτίβο με τη συμβολοσειρά;
`s///`	αντικατάσταση — αντικαθιστά την αντιστοιχία με κάτι άλλο
`qr//`	μεταγλωττίζει ένα αντικείμενο μοτίβου για επαναχρησιμοποίηση
`tr///` (επίσης `y///`)	μετάφραση χαρακτήρα προς χαρακτήρα

Το tr/// δεν είναι τελεστής regex παρότι βρίσκεται στην ίδια γειτονιά — εκτελεί μετάφραση κλάσεων χαρακτήρων, όχι αντιστοίχιση μοτίβων. Αναφέρεται για πληρότητα· δείτε tr για τη σημασιολογία του.

Τα m, s και qr μοιράζονται όλα τη σύνταξη regex που καλύπτεται σε αυτόν τον οδηγό. Οι διαφορές βρίσκονται σε αυτό που κάνουν με μια επιτυχημένη αντιστοιχία.

Επαναχρησιμοποίηση μοτίβου με `qr//`#

Το qr// μεταγλωττίζει ένα μοτίβο μία φορά και παράγει ένα επαναχρησιμοποιήσιμο αντικείμενο. Χρησιμοποιήστε το όταν το ίδιο μοτίβο αντιστοιχίζεται επανειλημμένα, ιδίως μέσα σε βρόχους:

my $word = qr/\b[a-z]+\b/;

for my $line (@lines) {
    while ($line =~ /$word/g) {
        print "$&\n";
    }
}

Το μεταγλωττισμένο αντικείμενο qr// εισάγεται σε άλλα μοτίβα μέσω παρεμβολής. Επίσης σας επιτρέπει να χτίζετε μοτίβα από ονομασμένα τμήματα, κάτι που γίνεται απαραίτητο για κάθε regex πάνω από περίπου δέκα γραμμές:

my $name   = qr/[A-Z][a-z]+/;
my $number = qr/\d+/;
my $entry  = qr/$name \s+ $number/x;

"Alice 42" =~ /^$entry$/;   # matches

Το ίδιο όφελος της μίας μεταγλώττισης, εκφρασμένο στο σωστό επίπεδο αφαίρεσης.

Σύνδεση: `=~` και `!~`#

Το =~ ρωτά «ταιριάζει;». Το !~ ρωτά «αποτυγχάνει να ταιριάξει;».

$s = "Hello World";

print "yes\n" if $s =~ /World/;   # yes
print "no\n"  if $s !~ /planet/;  # no

Το !~ δεν είναι ξεχωριστή κατασκευή regex — είναι η αρνημένη σύνδεση. Ισοδυναμεί με not ($s =~ /pat/).

Αντιστοίχιση με το `$_`#

Αν παραλείψετε τη σύνδεση, η αντιστοίχιση γίνεται με το $_:

for ("cat", "dog", "bird") {
    print "has an 'o'\n" if /o/;   # implicit: $_ =~ /o/
}

Αυτό είναι ιδιωματικό σε βρόχους while (<>), μέσα σε grep και map, και μέσα σε βρόχους for που ορίζουν το $_.

Διάκριση πεζών-κεφαλαίων και η προεπιλεγμένη άγκυρα#

Οι αντιστοιχίες γίνονται με διάκριση πεζών-κεφαλαίων και χωρίς αγκύρωση:

"Hello" =~ /hello/;    # does not match — case differs
"Hello" =~ /ell/;      # matches — inside the string is fine

Για αντιστοίχιση χωρίς διάκριση πεζών-κεφαλαίων, προσθέστε /i. Για να περιορίσετε την αντιστοιχία στην αρχή ή το τέλος της συμβολοσειράς, χρησιμοποιήστε άγκυρες. Και τα δύο καλύπτονται στα δικά τους κεφάλαια.

Όταν ένα μοτίβο μπορεί να ταιριάξει σε περισσότερες από μία θέσεις, η Perl δοκιμάζει από τα αριστερά και παίρνει την πρώτη που λειτουργεί:

"That hat is red" =~ /hat/;   # matches 'hat' in 'That', not in 'hat'

Ο κανόνας «η αντιστοιχία πιο αριστερά κερδίζει» είναι θεμελιώδης και υπερισχύει κάθε άλλης προτίμησης αντιστοίχισης: μια αντιστοιχία σε προγενέστερη θέση είναι πάντα καλύτερη από μια αντιστοιχία σε μεταγενέστερη θέση, ανεξάρτητα από τις εσωτερικές επιλογές κάθε αντιστοίχισης. Αυτό αποκαλείται μερικές φορές ιδιότητα bump-along: η μηχανή προσπαθεί να ταιριάξει στη θέση 0· αν αποτύχει, μετακινείται στη θέση 1· αν αποτύχει, στη θέση 2· κ.ο.κ., επιστρέφοντας την πρώτη επιτυχία.

Μετα-χαρακτήρες#

Οι περισσότεροι χαρακτήρες σε ένα μοτίβο ταιριάζουν με τον εαυτό τους. Οι παρακάτω όχι:

{ } [ ] ( ) ^ $ . | * + ? \

Δύο ακόμα είναι ειδικοί μόνο σε συγκεκριμένα περιβάλλοντα:

Το - είναι μετα-χαρακτήρας μόνο μέσα σε κλάση χαρακτήρων, όπου σχηματίζει εύρος ([a-z]). Εκτός […] είναι κυριολεκτικό.
Το # είναι μετα-χαρακτήρας μόνο υπό τη σημαία /x, όπου εισάγει σχόλιο μέχρι το τέλος της γραμμής. Χωρίς /x είναι κυριολεκτικό.

Κάθε μετα-χαρακτήρας έχει μια ειδική σημασία που καλύπτεται αργότερα. Για να ταιριάξετε ένα κυριολεκτικό αντίγραφο, βάλτε μια ανάστροφη κάθετο μπροστά:

"2+2=4" =~ /2+2/;    # fails — '+' is a quantifier, needs escaping
"2+2=4" =~ /2\+2/;   # matches

"end." =~ /end\./;   # matches a literal dot
"end." =~ /end./;    # also matches — but . matches any character,
                     # so this would also match "endx", "end ", etc.

Η ίδια η ανάστροφη κάθετος είναι μετα-χαρακτήρας, οπότε μια κυριολεκτική ανάστροφη κάθετος σε ένα μοτίβο χρειάζεται \\:

'C:\WIN32' =~ /C:\\WIN/;    # matches

Ένας μετα-χαρακτήρας που δεν έχει τίποτα ειδικό να κάνει στο περιβάλλον του επιστρέφει στο να ταιριάζει με τον εαυτό του. Το } κλείνει μόνο έναν ποσοδείκτη {…}· εκτός αυτού του περιβάλλοντος είναι κυριολεκτικό }. Αυτό είναι βολικό αλλά εύκολο να παρερμηνευτεί· δείτε Αυστηρή λειτουργία παρακάτω.

Αυστηρή λειτουργία: `use re 'strict'`#

Το use re 'strict' μετατρέπει την προηγουμένως ανεκτή χαλαρότητα στις regex σε σφάλματα κατά τη μεταγλώττιση. Χρησιμοποιήστε το όταν θέλετε ο μεταγλωττιστής regex να επισημαίνει μοτίβα που πιθανώς σημαίνουν κάτι διαφορετικό από αυτό που γράψατε:

use re 'strict';

/abc{,1/;        # error: unescaped '{' in non-quantifier context
/(?-p)/;         # error: useless negation of always-on flag
/[a-]/;          # error: dash at end of class

Η αυστηρή λειτουργία είναι ανά λεξική εμβέλεια, οπότε μπορεί να ενεργοποιηθεί για αρθρώματα με πολλές regex χωρίς να επηρεάζει άλλον κώδικα. Δεν είναι προεπιλεγμένη γιατί θα έσπαζε λειτουργικά παλαιότερα μοτίβα· ο νέος κώδικας θα έπρεπε να την εξετάζει.

Ακολουθίες διαφυγής#

Οι μη εκτυπώσιμοι χαρακτήρες χρησιμοποιούν τις ίδιες ακολουθίες διαφυγής όπως στις συμβολοσειρές διπλών εισαγωγικών:

Ακολουθία	Ταιριάζει με
`\t`	στηλοθέτη (tab)
`\n`	νέα γραμμή
`\r`	επαναφορά κεφαλής (carriage return)
`\f`	αλλαγή σελίδας (form feed)
`\a`	ειδοποίηση (κουδούνι)
`\e`	escape (`\x1B`)
`\0`	byte NUL
`\xHH`	byte με δεκαεξαδική τιμή HH
`\x{…}`	σημείο κώδικα Unicode με δεκαεξαδική τιμή
`\o{…}`	οκταδικό σημείο κώδικα
`\cX`	control-X
`\N{…}`	χαρακτήρας Unicode με όνομα

"1000\t2000" =~ /0\t2/;      # matches
"a\x{263a}b" =~ /\x{263a}/;  # matches U+263A, WHITE SMILING FACE

Η πλήρης ιστορία Unicode βρίσκεται στο κεφάλαιο unicode.

Μεταβλητές μέσα στα μοτίβα#

Ένα μοτίβο (από προεπιλογή) παρεμβάλλεται όπως μια συμβολοσειρά διπλών εισαγωγικών, οπότε οι μεταβλητές αντικαθίστανται πριν την αντιστοίχιση:

my $word = "house";
"housecat" =~ /$word/;       # matches
"housecat" =~ /${word}cat/;  # matches — braces disambiguate

Για να ταιριάξετε ένα κυριολεκτικό $ ή @, διαφεύγετέ το:

'price: $10' =~ /\$10/;      # matches a literal dollar sign

Αν μια συμβολοσειρά που παρέχεται από τον χρήστη πρόκειται να παρεμβληθεί σε ένα μοτίβο και θέλετε οι μετα-χαρακτήρες της να αντιμετωπιστούν κυριολεκτικά, χρησιμοποιήστε quotemeta — ή το εντός μοτίβου ισοδύναμό του \Q…\E:

my $input = "1+1";
"1+1=2" =~ /\Q$input\E/;     # matches the literal string

Χωρίς \Q…\E το + θα διαβαζόταν ως ποσοδείκτης.

Πώς διαβάζεται μια regex#

Η Perl διαβάζει ένα μοτίβο regex σε τέσσερις φάσεις. Η γνώση των φάσεων εξηγεί μερικά ερωτήματα του τύπου «γιατί δουλεύει αυτό;»:

Φάση Α: ο αναλυτής αναγνωρίζει το διαχωριστικό και εντοπίζει το τέλος του μοτίβου. Τα σχόλια (?#…) αφαιρούνται.
Φάση Β: το μοτίβο αναλύεται ως συμβολοσειρά τύπου διπλών εισαγωγικών — οι μεταβλητές παρεμβάλλονται, οι ακολουθίες διαφυγής επεξεργάζονται, το \Q…\E μεταφράζεται σε διαφυγή τύπου quotemeta.
Φάση Γ: υπό /x ή /xx, οι λευκοί χαρακτήρες χωρίς διαφυγή και τα σχόλια μετά το # αφαιρούνται.
Φάση Δ: ο μεταγλωττιστής regex διαβάζει το αποτέλεσμα και το μετατρέπει στην εσωτερική μορφή της μηχανής.

Η σειρά έχει σημασία επειδή οι φάσεις Β και Δ λειτουργούν σε διαφορετικές αναπαραστάσεις. Το \Q$dir\E επεξεργάζεται στη Φάση Β, πριν το δει ο μεταγλωττιστής regex — μέχρι τη Φάση Δ, τα περιεχόμενα της μεταβλητής έχουν ήδη διαφύγει, και ο μεταγλωττιστής regex βλέπει ένα κυριολεκτικό μοτίβο. Αντιθέτως, το \U…\E ερμηνεύεται από τη Φάση Β ως οδηγία επεξεργασίας συμβολοσειράς (μετατροπή των περιεχομένων σε κεφαλαία), κάτι που σχεδόν σίγουρα δεν είναι αυτό που θέλετε μέσα σε μια regex. Η σύμβαση είναι: \Q και \E για σκοπούς regex· \U, \L, \u, \l μόνο όταν ξέρετε τι κάνετε.

Το (?#comment) αφαιρείται προτού η Φάση Β δει καν το μοτίβο. Ένα κυριολεκτικό # μέσα στο (?#…) είναι μια χαρά. Ένα κυριολεκτικό ) όχι — το σχόλιο τελειώνει στην πρώτη ).

Η νωρίτερη αντιστοιχία κερδίζει — το bump-along#

Ο Friedl το διατυπώνει με ακρίβεια:

Η αντιστοιχία που ξεκινά νωρίτερα κερδίζει.

Η θέση 0 δοκιμάζεται πρώτη, μετά η 1, μετά η 2, κ.ο.κ. Η μηχανή ποτέ δεν προτιμά μια μεταγενέστερη, μακρύτερη ή «πιο αισθητικά καλή» αντιστοιχία έναντι μιας προγενέστερης. Αυτό είναι τόσο θεμελιώδες ώστε διαμορφώνει κάθε άλλον κανόνα σε αυτόν τον οδηγό:

«Οι άπληστοι ποσοδείκτες αρπάζουν όσο το δυνατόν περισσότερα» — στην τρέχουσα θέση εκκίνησης. Η αρπαγή συμβαίνει αφού το bump-along έχει επιλέξει τη θέση.
«Η πιο αριστερή εναλλακτική κερδίζει» — στην τρέχουσα θέση εκκίνησης. Η εναλλακτική που επιλέγεται επηρεάζει τι συλλαμβάνεται αλλά όχι το πού ξεκινά η αντιστοιχία.
Άγκυρες όπως η ^ περιορίζουν ποιες θέσεις είναι νόμιμες, όχι τι προτιμάται ανάμεσα στις νόμιμες.

Πείτε αυτό που εννοείτε#

Το επαναλαμβανόμενο σημείο του Friedl: η ασάφεια στη regex προκαλεί τόσο προβλήματα ορθότητας όσο και προβλήματα απόδοσης. Το παράδειγμα στο οποίο επιμένει:

/-?[0-9]*\.?[0-9]*/

Διαβασμένο ως αγγλικά: «προαιρετικό πρόσημο, προαιρετικά ψηφία, προαιρετική υποδιαστολή, προαιρετικά ψηφία». Διαβασμένο ως κώδικας: κάθε τμήμα είναι προαιρετικό, οπότε το μοτίβο ταιριάζει με την κενή συμβολοσειρά — στην αρχή οποιασδήποτε εισόδου, προτού καν κοιτάξει η μηχανή. Εφαρμόστε το στο «nothing here» και ταιριάζει στη θέση 0, συλλαμβάνοντας την κενή συμβολοσειρά, επιστρέφοντας επιτυχία.

Η διόρθωση είναι να απαιτήσετε τουλάχιστον ένα ψηφίο σε τουλάχιστον μία πλευρά της υποδιαστολής:

/-?[0-9]+(\.[0-9]*)?|-?\.[0-9]+/

Δύο εναλλακτικές, κάθε μία απαιτεί τουλάχιστον ένα ψηφίο. Το μοτίβο τώρα ταιριάζει με αυτό που σκόπευε ο συγγραφέας του.

Το μάθημα γενικεύεται. Ένα μοτίβο που μπορεί να ταιριάξει με την κενή συμβολοσειρά συνήθως θα ταιριάξει με την κενή συμβολοσειρά κάπου. Αν η αντιστοιχία σας πρέπει να σημαίνει κάτι, γράψτε απαιτήσεις που την αναγκάζουν να σημαίνει κάτι.

Αντικατάσταση με μια ματιά#

Η αντικατάσταση κειμένου χρησιμοποιεί τον τελεστή s///, ο οποίος δέχεται ένα μοτίβο και μια συμβολοσειρά αντικατάστασης:

my $x = "feed the cat";
$x =~ s/cat/dog/;            # $x is now "feed the dog"

Η αντικατάσταση καλύπτεται σε βάθος στο δικό της κεφάλαιο· αναφέρεται εδώ ώστε να μπορείτε να τη συνδυάσετε με τα παραπάνω δεδομένα. Σχεδόν ό,τι ισχύει για τα μοτίβα m// ισχύει και μέσα στα μοτίβα s///.

Πού να πάτε στη συνέχεια#

Οι κυριολεκτικές αντιστοιχίες σάς πάνε εκπληκτικά μακριά, αλλά κάθε πραγματική regex χρησιμοποιεί κλάσεις χαρακτήρων, άγκυρες, ή ποσοδείκτες. Οι κλάσεις χαρακτήρων ακολουθούν — επιτρέπουν σε μία θέση στο μοτίβο να δέχεται οποιονδήποτε από αρκετούς χαρακτήρες.

Αν διαβάζετε τον οδηγό για μια συγκεκριμένη ερώτηση, τα κεφάλαια είναι ανεξάρτητα και ο δείκτης τα παραθέτει όλα. Μοτίβα που διαβάζονται μια χαρά αλλά τρέχουν για ώρες καλύπτονται στο performance — όταν αμφιβάλλετε, η απάντηση συνήθως βρίσκεται εκεί.

Δείτε επίσης#

m — πλήρης αναφορά για τον τελεστή αντιστοίχισης.
s — πλήρης αναφορά για την αντικατάσταση.
qr — μεταγλώττιση αντικειμένου μοτίβου.
quotemeta — διαφυγή συμβολοσειράς για ασφαλή παρεμβολή σε μοτίβο.
Το κεφάλαιο character classes — τι ακολουθεί μετά την κυριολεκτική αντιστοίχιση.
Το κεφάλαιο performance — τι μπορεί να πάει στραβά.