13 KiB
Классы и спецсимволы
Рассмотрим практическую задачу -- есть телефонный номер "+7(903)-123-45-67", и нам нужно найти в этой строке цифры. А остальные символы нас не интересуют.
Для поиска символов определённого вида в регулярных выражениях предусмотрены "классы символов".
[cut]
Класс символов -- это специальное обозначение, под которое подходит любой символ из определённого набора.
Например, есть класс "любая цифра". Он обозначается \d. Это обозначение вставляется в шаблон, и при поиске под него подходит любая цифра.
То есть, регулярное выражение /\d/ ищет ровно одну цифру:
//+ run
var str = "+7(903)-123-45-67";
var reg = /\d/;
// не глобальный регэксп, поэтому ищет только первую цифру
alert( str.match(reg) ); // 7
...Ну а для поиска всех цифр достаточно добавить к регэкспу флаг g:
//+ run
var str = "+7(903)-123-45-67";
var reg = /\d/g;
alert( str.match(reg) ); // массив всех совпадений: 7,9,0,3,1,2,3,4,5,6,7
Важнейшие классы: \d \s \w
Это был класс для цифр.
Конечно же, есть и другие.
Наиболее часто используются:
- `\d` (от английского "digit" - "цифра")
- Цифра, символ от `0` до `9`.
- `\s` (от английского "space" - "пробел")
- Пробельный символ, включая табы, переводы строки и т.п.
- `\w` (от английского "word" -- "слово")
- Символ "слова", а точнее -- буква латинского алфавита или цифра или подчёркивание `'_'`. Не-английские буквы не являются `\w`, то есть русская буква не подходит.
Например, \d\s\w обозначает цифру, за которой идёт пробельный символ, а затем символ слова.
Регулярное выражение может содержать одновременно и обычные символы и классы.
Например, CSS\d найдёт строку CSS, с любой цифрой после неё:
//+ run
var str = "Стандарт CSS4 - это здорово";
var reg = /CSS\d/
alert( str.match(reg) ); // CSS4
И много классов подряд:
//+ run
alert( "Я люблю HTML5!".match(/\s\w\w\w\w\d/) ); // 'HTML5'
Совпадение (каждому классу в регэкспе соответствует один символ результата):
Граница слова \b
Граница слова \b -- это особый класс.
Он интересен тем, что обозначает не символ, а границу между символами.
Например, \bJava\b найдёт слово Java в строке Hello, Java!, но не в строке Hello, Javascript!.
//+ run
alert( "Hello, Java!".match(/\bJava\b/) ); // Java
alert( "Hello, Javascript!".match(/\bJava\b/) ); // null
Граница имеет "нулевую ширину" в том смысле, что обычно символам регулярного выражения соответствуют символы строки, но не в этом случае.
Граница -- это проверка.
При поиске движок регулярных выражений идёт по шаблону и одновременно по строке, пытаясь построить соответствие. Когда он видит \b, то проверяет, что текущая позиция в строке подходит под одно из условий:
- Начало текста, если первый символ `\w`.
- Конец текста, если последний символ `\w`.
- Внутри текста, если с одной стороны `\w`, а с другой -- не `\w`.
Например, в строке Hello, Java! под \b подходят следующие позиции:
Как правило, \b используется, чтобы искать отдельно стоящее слово. Не на русском конечно, хотя подобную проверку, как мы увидим далее, можно легко сделать для любого языка. А вот на английском, как в примере выше или для чисел, которые являются частным случаем \w -- легко.
Например, регэксп \b\d\d\b ищет отдельно двузначные числа. Иными словами, он требует, чтобы до и после \d\d был символ, отличный от \w (или начало/конец текста).
Обратные классы
Для каждого класса существует "обратный ему", представленный такой же, но заглавной буквой.
"Обратный" -- означает, что ему соответствуют все остальные символы, например:
- `\D`
- Не-цифра, то есть любой символ кроме `\d`, например буква.
- `\S`
- Не-пробел, то есть любой символ кроме `\s`, например буква.
- `\W`
- Любой символ, кроме `\w`, то есть не латинница, не подчёркивание, не цифра. В частности, русские буквы принадлежат этому классу.
- `\B`
- Проверка, обратная `\b`.
В начале этой главы мы видели, как получить из телефона +7(903)-123-45-67 все цифры.
Первый способ -- найти все цифры через match(/\d/g).
Обратные классы помогут реализовать альтернативный -- найти все НЕцифры и удалить их из строки:
//+ run
var str = "+7(903)-123-45-67";
alert( str.replace(/\D/g, "") ); // 79031234567
Пробелы -- обычные символы
Заметим, что в регулярных выражениях пробел - такой же символ, как и другие.
Обычно мы не обращаем внимание на пробелы. Для нашего взгляда строки 1-5 и 1 - 5 почти идентичны.
Однако, если регэксп не учитывает пробелов, то он не сработает.
Попытаемся найти цифры, разделённые дефисом:
//+ run
alert( "1 - 5".match(/\d-\d/) ); // null, нет совпадений!
Поправим это, добавив в регэксп пробелы:
//+ run
alert( "1 - 5".match(/\d - \d/) ); // работает, пробелы вокруг дефиса
Конечно же, пробелы в регэкспе нужны лишь тогда, когда мы их ищем. Лишние пробелы (как и любые лишние символы) могут навредить:
//+ run
alert( "1-5".match(/\d - \d/) ); // null, так как в строке 1-5 нет пробелов
Короче говоря, в регулярном выражении все символы имеют значение. Даже (и тем более) -- пробелы.
Точка -- любой символ
Особым классом символов является точка ".".
В регулярном выражении, точка "." обозначает любой символ, кроме перевода строки:
//+ run
alert( "Z".match(/./) ); // найдено Z
Посередине регулярного выражения:
//+ run
var re = /CS.4/;
alert( "CSS4".match(re) ); // найдено "CSS4"
alert( "CS-4".match(re) ); // найдено "CS-4"
alert( "CS 4".match(re) ); // найдено "CS 4" (пробел тоже символ)
Обратим внимание -- точка означает именно "произвольный символ".
То есть какой-то символ на этом месте в строке должен быть:
//+ run
alert( "CS4".match(/CS.4/) ); // нет совпадений, так как для точки нет символа
Экранирование специальных символов
В регулярных выражениях есть и другие символы, имеющие особый смысл.
Они используются, чтобы расширить возможности поиска.
Вот их полный список: [ \ ^ $ . | ? * + ( ).
Не пытайтесь запомнить его -- когда мы разберёмся с каждым из них по отдельности, он запомнится сам собой.
Чтобы использовать специальный символ в качестве обычного, он должен быть экранирован.
Или, другими словами, перед символом должен быть обратный слэш '\'.
Например, нам нужно найти точку '.'. В регулярном выражении она означает "любой символ, кроме новой строки", поэтому чтобы найти именно сам символ "точка" -- её нужно экранировать: ..
//+ run
alert( "Глава 5.1".match(/\d\.\d/) ); // 5.1
Круглые скобки также являются специальными символами, так что для поиска именно скобки нужно использовать \(. Пример ниже ищет строку "g()":
//+ run
alert( "function g()".match(/g\(\)/) ); // "g()"
Сам символ слэш '/', хотя и не является специальными символом в регулярных выражениях, но открывает-закрывает регэксп в синтаксисе /...pattern.../, поэтому его тоже нужно экранировать.
Так выглядит поиск слэша '/':
//+ run
alert( "/".match(/\//) ); // '/'
Ну и, наконец, если нам нужно найти сам обратный слэш \, то его нужно просто задублировать.
Так выглядит поиск обратного слэша "\":
//+ run
alert( "1\2".match(/\\/) ); // '\'
Итого
Мы рассмотрели классы для поиска типов символов:
- `\d` -- цифры.
- `\D` -- не-цифры.
- `\s` -- пробельные символы, переводы строки.
- `\S` -- всё, кроме `\s`.
- `\w` -- латинница, цифры, подчёркивание `'_'`.
- `'.'` -- точка обозначает любой символ, кроме перевода строки.
Если хочется поискать именно сочетание "\d" или символ "точка", то его экранируют обратным слэшем, вот так: .
Заметим, что регулярное выражение может также содержать перевод строки \n, табуляцию \t и прочие спецсимволы для строк. Конфликта с классами не происходит, так как для них зарезервированы другие буквы.