271 lines
13 KiB
Markdown
271 lines
13 KiB
Markdown
# 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 <code class="pattern">/\d/</code> ищет ровно одну цифру:
|
||
|
||
```js
|
||
//+ 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`:
|
||
|
||
```js
|
||
//+ 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:
|
||
<dl>
|
||
<dt>`\d` (от английского "digit" - "цифра")</dt>
|
||
<dd>Цифра, символ от `0` до `9`.</dd>
|
||
<dt>`\s` (от английского "space" - "пробел")</dt>
|
||
<dd>Пробельный символ, включая табы, переводы строки и т.п.</dd>
|
||
<dt>`\w` (от английского "word" -- "слово") </dt>
|
||
<dd>Символ "слова", а точнее -- буква латинского алфавита или цифра или подчёркивание `'_'`. Не-английские буквы не являются `\w`, то есть русская буква не подходит.</dd>
|
||
</dl>
|
||
|
||
Например, <code class="pattern">\d\s\w</code> обозначает цифру, за которой идёт пробельный символ, а затем символ слова.
|
||
|
||
Регулярное выражение может содержать одновременно и обычные символы и классы.
|
||
|
||
Например, <code class="pattern">CSS\d</code> найдёт строку <code class="match">CSS</code>, с любой цифрой после неё:
|
||
|
||
```js
|
||
//+ run
|
||
var str = "Стандарт CSS4 - это здорово";
|
||
var reg = /CSS\d/
|
||
|
||
alert( str.match(reg) ); // CSS4
|
||
```
|
||
|
||
И много классов подряд:
|
||
|
||
```js
|
||
//+ run
|
||
alert( "Я люблю HTML5!".match(/\s\w\w\w\w\d/) ); // 'HTML5'
|
||
```
|
||
|
||
Совпадение (каждому классу в регэкспе соответствует один символ результата):
|
||
|
||
<img src="love-html5-classes.svg">
|
||
|
||
## Граница слова \b
|
||
|
||
Граница слова <code class="pattern">\b</code> -- это особый класс.
|
||
|
||
Он интересен тем, что обозначает не символ, а границу между символами.
|
||
|
||
Например, <code class="pattern">\bJava\b</code> найдёт слово <code class="match">Java</code> в строке <code class="subject">Hello, Java!</code>, но не в строке <code class="subject">Hello, Javascript!</code>.
|
||
|
||
|
||
```js
|
||
//+ 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 <code class="pattern">\b</code>, то проверяет, что текущая позиция в строке подходит под одно из условий:
|
||
<ul>
|
||
<li>Начало текста, если первый символ `\w`.</li>
|
||
<li>Конец текста, если последний символ `\w`.</li>
|
||
<li>Внутри текста, если с одной стороны `\w`, а с другой -- не `\w`.</li>
|
||
</ul>
|
||
|
||
Например, в строке <code class="subject">Hello, Java!</code> под `\b` подходят следующие позиции:
|
||
|
||
<img src="hello-java-boundaries.svg">
|
||
|
||
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 <code class="pattern">\b\d\d\b</code> ищет отдельно двузначные числа. Иными словами, он требует, чтобы до и после <code class="pattern">\d\d</code> 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:
|
||
|
||
<dl>
|
||
<dt>`\D`</dt>
|
||
<dd>Не-цифра, то есть любой символ кроме `\d`, например буква.</dd>
|
||
<dt>`\S`</dt>
|
||
<dd>Не-пробел, то есть любой символ кроме `\s`, например буква.</dd>
|
||
<dt>`\W`</dt>
|
||
<dd>Любой символ, кроме `\w`, то есть не латинница, не подчёркивание, не цифра. В частности, русские буквы принадлежат этому классу.</dd>
|
||
<dt>`\B`</dt>
|
||
<dd>Проверка, обратная `\b`.</dd>
|
||
</dl>
|
||
|
||
В начале этой главы мы видели, как получить из телефона <code class="subject">+7(903)-123-45-67</code> все цифры.
|
||
|
||
Первый способ -- найти все цифры через `match(/\d/g)`.
|
||
|
||
Обратные классы помогут реализовать альтернативный -- найти все НЕцифры и удалить их из строки:
|
||
|
||
```js
|
||
//+ 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 <code class="subject">1-5</code> и <code class="subject">1 - 5</code> почти идентичны.
|
||
|
||
Однако, если регэксп не учитывает пробелов, то он не сработает.
|
||
|
||
Попытаемся найти цифры, разделённые дефисом:
|
||
|
||
```js
|
||
//+ run
|
||
alert( "1 - 5".match(/\d-\d/) ); // null, нет совпадений!
|
||
```
|
||
|
||
Поправим это, добавив в регэксп пробелы:
|
||
|
||
```js
|
||
//+ 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:
|
||
|
||
```js
|
||
//+ 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 <code class="pattern">"."</code> обозначает *любой символ*, кроме перевода строки:
|
||
|
||
```js
|
||
//+ run
|
||
alert( "Z".match(/./) ); // найдено Z
|
||
```
|
||
|
||
Посередине регулярного выражения:
|
||
|
||
```js
|
||
//+ 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:
|
||
|
||
```js
|
||
//+ 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: <code class="pattern">[ \ ^ $ . | ? * + ( )</code>.
|
||
|
||
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 <code class="pattern">'.'</code>. В регулярном выражении она означает "любой символ, кроме новой строки", поэтому чтобы найти именно сам символ "точка" -- её нужно экранировать: <code class="pattern">\.</code>.
|
||
|
||
```js
|
||
//+ 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()"`:
|
||
|
||
```js
|
||
//+ 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 <code class="pattern">/...pattern.../</code>, поэтому его тоже нужно экранировать.
|
||
|
||
Так выглядит поиск слэша `'/'`:
|
||
|
||
```js
|
||
//+ run
|
||
alert( "/".match(/\//) ); // '/'
|
||
```
|
||
|
||
Ну и, наконец, если нам нужно найти сам обратный слэш `\`, то его нужно просто задублировать.
|
||
|
||
Так выглядит поиск обратного слэша `"\"`:
|
||
|
||
```js
|
||
//+ run
|
||
alert( "1\2".match(/\\/) ); // '\'
|
||
```
|
||
|
||
|
||
## Итого
|
||
|
||
Мы рассмотрели классы для поиска типов символов:
|
||
|
||
<ul>
|
||
<li>`\d` -- цифры.</li>
|
||
<li>`\D` -- не-цифры.</li>
|
||
<li>`\s` -- пробельные символы, переводы строки.</li>
|
||
<li>`\S` -- всё, кроме `\s`.</li>
|
||
<li>`\w` -- латинница, цифры, подчёркивание `'_'`.</li>
|
||
<li>`'.'` -- точка обозначает любой символ, кроме перевода строки.</li>
|
||
</ul>
|
||
|
||
Если хочется поискать именно сочетание `"\d"` или символ "точка", то его экранируют обратным слэшем, вот так: <code class="pattern">\.</code>
|
||
|
||
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.
|
||
|
||
|
||
|
||
|