Regulêre uitdrukking

'n Regulêre uitdrukking is 'n reeks karakters wat 'n soekpatroon definieer. Sulke patrone word gewoonlik deur stringsoekalgoritmes in vind- of vind-en-vervang-operasies op stringe, of vir invoervalidering aangewend. Dit is 'n onderwerp wat in teoretiese rekenaarwetenskap en formeletaalteorie bestudeer word.

Die pasresultate vir die patroon

(?<=\.) {2,}(?=[A-Z])

Ten minste twee spasies word gepas, maar slegs indien hulle reg na 'n punt (.) en voor 'n hoofletter verskyn.

Stephen Cole Kleene, een van die eerste vasleggers van die begrip.

'n Swartlys op Wikipedia wat regulêre uitdrukkings gebruik om potensieel problematiese bladsytitels te identifiseer.

Die konsep ontstaan in die 1950's toe die Amerikaanse wiskundige Stephen Cole Kleene die beskrywing van 'n regulêre taal formaliseer. Die konsep kom met die aanvang van teksverwerkernutsgoed in Unix in algemene gebruik. Verskillende sintaksisse vir die skryf van regulêre uitdrukkings bestaan sedert die 1980's, waaronder die POSIX-standaard en die Perl-sintaksis.

Regulêre uitdrukkings word in soekenjins, vind-en-vervang-operasies in woordverwerkers en teksredigeerders, teksverwerkernutsgoed soos sed en AWK, en leksikale analise gebruik.

Baie programmeertale verskaf regulêre-uitdrukkingvermoë ingebou of deur middel van biblioteke.

Basiese konsepte

Spesiale karakters

Die volgende is 'n lys van spesiale karakters. Indien vir 'n spesiale karakter getoets wil word moet dit voorafgegaan word met 'n \:

. + *  ? ^ $ ( ) [ ] { } | \

Simbole

Simbool	Alternatief	Beskrywing
\n		Lynbreek
\r		Lynbreek
\t		(Engels = Tab)
\f		(Engels = form feed)
\s	[ \n\r\t\f]	Witspasie (let op die spasie voor "\n")
\S	[^ \n\r\t\f]	Alles behalwe 'n witspasie
^		Begin van 'n nuwe lyn (kan ook \n gebruik)
$		Einde van 'n lyn (kan ook \n gebruik)
.	[^\n]	Alles behalwe 'n nuwe lyn
w	[a-zA-Z0-9_]	Woordkarakters
\W	[^a-zA-Z0-9_]	Alles behalwe woordkarakters
\d	[0-9]	Numeriese waardes
\D	[^0-9]	Alles behalwe numeriese waardes
\b	[\s\t]	Woordgrens (Engels = "word boundary")

Kwantifiseerders

?	Die vraagteken dui nul of een voorkomste van die voorafgaande element aan. Byvoorbeeld, colou?r pas beide "color" en "colour".
*	Die asterisk dui nul of meer voorkomste van die voorafgaande element aan. Byvoorbeeld, ab*c pas "ac", "abc", "abbc", "abbbc", ensovoorts.
+	Die plusteken dui een of meer voorkomste van die voorafgaande element aan. Byvoorbeeld, ab+c pas "abc", "abbc", "abbbc", ensovoots, maar NIE "ac" nie.
{n}	Die voorafgaande element kom presies n keer voor.
{min,}	Die voorafgaande element kom min of meer keer voor.
{,maks}	Die voorafgaande element kom nul tot maks keer voor.
{min,maks}	Die voorafgaande element kom ten minste min keer voor, maar nie meer as maks keer nie.

OF (vertikale karakter, |)

Die vertikale lyn of pypkarakter kan gebruik om 'n kombinasie van woorde te spesifiseer.

v(uu|oo)r kan gebruik word om vuur en voor te vind. Dit sal ander woorde soos vier, voer, vir, ensovoorts uitsluit.

Voorbeelde

m?s

Wanneer alle drieletter karakters gevind moet word wat begin met 'n m en eindig met 'n s, kan dit soos volg gedoen word:

• m.s, of
• m.{1}s

Let wel dat m.*s ook woorde gaan insluit soos maas, mees, mens, ensovoorts

En m.?s gaan ook ms insluit.

mas, mes, mis, mos, mus

Wanneer die middelste karakter 'n vokaal moet wees kan dit soos volg gedoen word:

m[aeiou]s

vuur, voor

Soos reeds genoem word die vertikale streep gebruik om 'n opsie van verskillende meervoudige karakters te gee. v(uu|oo)r kan gebruik word om vuur en voor te vind.

abcxx, abcyy

Teks:	abc, abcww, abcxx, abcyy, abczz	abc, abcww, abcxx, abcyy, abczz
Wat om te kry:	abcxx & abcyy	Indien abc ingesluit moet word.
Uitdrukking:	abc(xx|yy)	abc(xx|yy)?

Begin en einde van 'n lyn (^ en $)

Teks:	aaaa 123456	123456 bbbb
Wat om te kry:	Van die begin van die lyn tot by die karakter '3'	Van die karakter '4' tot by die einde van die lyn
Uitdrukking:	^.*3	4.*$

\n kan ook gebruik word om die begin of einde van 'n lyn aan te dui.
Indien \n in plaas van ^ gebruik word, gaan die eerste lyn van die teks nie in ag geneem word nie.
Indien \n in plaas van $ gebruik word, gaan die laaste lyn van die teks nie in ag geneem word nie.
Om hierdie probleem te oorkom kan 'n mens bloot \n aan die voorkant en die agterkant van die teks byvoeg voor daar gesoek word.

Lui en gulsige kwantifiseerders

(Engels = greedy and lazy quantifiers)

	Lui	Gulsig
Teks:	<abc> 123 <def> 456 <ghi> 789	<abc> 123 <def> 456 <ghi> 789
Wat om te kry:	Alles binne "<" en ">"	Vanaf eerste "<" tot laaste ">"
Uitdrukking:	<(.*?)> () = Die hakie isoleer die teks binne die pylhakies .* = Enige karakter, enige aantal ? = Stop voor eerste ">"	<.*?>

Moenie woorde pas wat met spesifieke woorde begin nie

Teks:	A boyfriend and girlfriend gained a friend when they asked to befriend them
Wat om te kry:	Alle friend wat nie girl aan die voorkant het nie.
Uitdrukking:	\b(?!girl)\w*friend\b \b = woordgrens = enige witspasie (?!girl) = enigiets behalwe girl \w* = Enige woordkarakter (dit sal alles insluit behalwe girl) friend = die woord friend \b = woordgrens

Moenie woorde pas wat met spesifieke woorde eindig nie (lêertipes)

Teks:	Leername: leer1.doc, leer2.tmp, leer3.xlsx, leer4.1a3	Leername: leer1.doc, leer2.tmp, leer3.xlsx, leer4.1a3
Wat om te kry:	Alle lêertipes met agtervoegsels .tmp en waarvan die eerste en derde karakter 'n syfer is	Die teenoorstelde
Uitdrukking:	\w+\.(tmp|\d\D\d)\w* \w+ = ten minste een woordkarakter (lêernaam) \. = 'n punt. Omdat 'n punt 'n spesiale karakter is, moet dit vooraf gegaan word met "\" (tmp|\d\D\d) = agtervoegsel = "tmp" of byvoorbeeld "1c3"	\w+\.(?!tmp|\d\D\d)\w*

Pas begin indien dit eindig met ...

(Engels = Positive lookahead)

Teks:	USD 100, USD 350, USD 12,345, USD geldeenheid, USD van Amerika
Wat om te kry:	Alle USD wat eindig met getalle (350, 12,345)
Uitdrukking:	USD(?=\s\d+?,?\d+) ?= : Eindig met \s : Witspasie na USD \d+? : Ten minste een getal. Die vraagteken dui aan dat gestop moet word tot die eerste karakter wat nie 'n getal is nie. ,? : Een of meer komma \d+ : Nog getalle

Moenie begin pas indien dit eindig met ...

(Engels = Negative lookahead)

Teks:	kar verkoop, kar nie verkoop, kar verkoop, kar herstel
Wat om te kry:	Alle kar wat NIE eindig met verkoop
Uitdrukking:	kar(?!\s+verkoop) ?! : Nie eindig met ('n "!" dui gewoonlik die negatief aan. Byvoorbeeld, die Pythonkode if a != b beteken "as a ongelyk is aan b") \s+ : Witspasie na kar

Pas einde indien dit begin met ...

(Engels = Positive look behind)

Teks:	abc123, abc567, def123
Wat om te kry:	Alle 123 wat voorafgegaan word deur abc
Uitdrukking:	(?<=[a-c]{3})[1-3]{3}

Pas einde indien dit NIE begin met ...

(Engels = Negative look behind)

Teks:	abc123, abc567, def123
Wat om te kry:	Alle 123 wat nie voorafgegaan word deur abc nie
Uitdrukking:	(?<![a-c]{3})[1-3]{3}

Syfers geskei deur 'n duisendskeier

Teks:	aaa 123.45 bbb 67 890.12 ccc 345 67 890.12 ddd
Wat om te kry:	Alle syfers in die formaat # ###.##
Uitdrukking:	\b\d{1,3}(?: \d{3})*(?:\.\d{2})?\b \b\d{1,3}  : 'n Getal wat uit 1 tot 3 syfers bestaan (?: \d{3})* : Groepe van drie getalle wat vooraf gegaan word deur 'n spasie (die duisendskeier). "?:" kan ook weggelaat word. (?:\.\d{2})? : 'n Desimale punt opgevolg deur twee syfers. Die "?" beteken dit is opsioneel. Met ander woorde, sluit dit in indien dit daar is". "?:" kan ook weggelaat word. \b : Woordgrens

Bronnelys

• Python Tutorial: re Module - How to Write and Match Regular Expressions (Regex) (Youtube)
• Regular Expressions (Regex) Tutorial: How to Match Any Pattern of Text (Youtube)