Regulární výrazy v PHP pro začátečníky I.

PHP nabízí řadu funkcí používajících regulární výrazy pro práci s textem. Ve článku ukážeme jejich základní použití pro kontrolu formátu textového řetězce.

Na úvod nejprve připomeňme, že PHP nabízí funkce pracující se dvěma typy regulárních výrazů: výrazy standardu POSIX-extended a výrazy kompatibilní s Perlem. Funkce standardu POSIX byly ve verzi PHP 5.3.0 označeny jako zastaralé a vývojářům je doporučováno používat pouze funkce Perlovské. My se však přesto zaměříme na standard POSIX, protože je o něco jednodušší a tedy vhodnější pro výklad. Přechod na Perlovské funkce potom není nijak obtížný a budeme se jím zabývat v příštím článku.

Regulární výraz je formálně zapsaný vzor, se kterým se porovnává testovaný řetězec. Testovaný řetězec může a nemusí vzoru vyhovovat a jednomu vzoru může vyhovovat i více řetězců. Jednoduchým příkladem použití může být testování uživatelského vstupu. Řekněme, že zpracováváme HTML formulář, do kterého měl uživatel zadat datum a případně i čas. Vhodně napsaným regulárním výrazem snadno otestujeme, zda je řetězec vyplněný uživatelem v požadovaném formátu. Pojďme se tedy podívat, jak takový regulární výraz vypadá.

Syntaxe regulárního výrazu

Regulární výraz je řetězec se specifickou syntaxí. Většinu znaků (např. písmena a číslice) chápeme jako obyčejné znaky. Některé znaky mají ale zvláštní význam – tzv. metaznaky. Všechny metaznaky postupně probereme v následujících odstavcích. Pokud bychom potřebovali zapsat nějaký metaznak tak, aby byl brán jako obyčejný, přidáme před něj zpětné lomítko. Například znak tečka '.' zastupuje v regulárním výrazu libovolný symbol. Pokud bychom chtěli použít tečku jako obyčejný znak, musíme ji zapsat jako '\.'.

Zde je vhodné ještě připomenout pravidla pro zápis řetězců v PHP. Nezapomeňme, že při zápisu řetězce do uvozovek probíhá nahrazování některých sekvencí. Např. "\n" je nahrazen za zalomení řádku. Lepší je proto psát regulární výrazy do apostrofů, kde musíme dávat pozor jen na znak apostrofu a zpětného lomítka.

Základy

Nejjednodušší regulární výraz se skládá pouze z obyčejných znaků. Takovému výrazu odpovídají všechny řetězce, které mají daný výraz jako podřetězec. Mějme na příklad výraz 'Pepa'. Řetězec 'Náš Pepa rozumí regulárním výrazům.' odpovídá tomuto výrazu, avšak 'Pepo, pojď mi vysvětlit PHP!' už mu neodpovídá.

Metaznaky ^ a $ zastupují začátek resp. konec řetězce. Jejich použitím upřesňujeme, že se má daný výraz nacházet pouze na začátku, na konci, případně odpovídat celému řetězci.

Žolík tečka

V některých případech ovšem nechceme specifikovat daný podřetězec přesně. Některé znaky chceme ponechat libovolné, případně je omezit na znaky z určité množiny. K tomu nám slouží dva nástroje. Prvním z nich je zástupný symbol . (tečka). Tečka slouží jako žolík, kterému vyhovuje jeden libovolný znak.

Výčtové množiny

Pokud potřebujeme výběr písmene na daném místě omezit pouze na několik možností, můžeme místo tečky použít množinu znaků. Množina znaků je uzavřena do hranatých závorek []. Uvnitř těchto závorek je výčet všech znaků, které se na daném místě mohou vyskytovat. Speciálně je také možné definovat rozsahy znaků v ASCII tabulce ve formátu znak-znak, tedy např. 0-9 odpovídá všem číslicím nebo a-z všem malým písmenům anglické abecedy. Pokud je prvním znakem v množině stříška ^, bere se tento znak jako metaznak (není součástí množiny) a celá množina bude chápána jako doplněk ke specifikovaným znakům. Jinými slovy takové množině budou vyhovovat všechny znaky, které nejsou ve výčtu.

Nyní vás jistě napadlo, co dělat, když bychom chtěli vložit pomlčku nebo zavírací hranatou závorku do výčtu. Klasická pravidla zde totiž neplatí a metaznaky (jako např. zpětné lomítko) se uvnitř množiny chápou jako obyčejné znaky. Pro tyto případy platí následující pravidla:

• Hranatá závorka ] je brána jako obyčejný znak, pokud se nachází ve výčtu jako první (případně těsně za stříškou ^, pokud používáme doplněk množiny).
• Pomlčka je brána jako obyčejný znak, pokud je první nebo poslední ve výčtu.
• Stříška ^ je brána jako obyčejný znak, pokud není první ve výčtu.

Pro větší pohodlí zápisu často používaných kombinací existují třídy znaků — předdefinované seznamy, které snadno vložíme do výčtu. Zapisují se do hranatých závorek s dvojtečkou [:třída:]. Identifikátory existujících tříd a jejich význam je uveden níže.

V jedné množině může být použito více tříd. Např. '[[:alpha:][:blank:]]' odpovídá libovolnému písmenu nebo bílému znaku.

Větvení

Regulární výrazy by byly celkem k ničemu, kdybychom nemohli v jednom výrazu vyjádřit více možností. Jednotlivé možnosti (obvykle nazývané též větve) se oddělují znakem svislítko '|'. Testovaný řetězec pak vyhovuje výrazu, pokud vyhovuje některé jeho větvi (větve jsou spojeny logickým nebo). Pomocí kulatých závorek () můžeme vytvářet větve pouze z částí výrazů, případně je různě kombinovat.

Opakující se podvýrazy

Libovolné písmeno, zástupný symbol '.', množinu [] nebo podvýraz v kulatých závorkách můžeme nechat „opakovat“. Přesněji řečeno, povolíme více opakovaných výskytů za sebou. Počty těchto výskytů napíšeme číslem do složených závorek za dané písmeno nebo podvýraz, tedy {3} značí právě tři opakování. Volitelně můžeme definovat také rozsah možných opakování — např. {2,4} odpovídá dvěma, třem nebo čtyřem opakováním. Pokud vynecháme druhé číslo (a použijeme čárku), automaticky se za něj dosadí nekonečno, takže rozsah {5,} vyjadřuje nejméně pět, ale jinak libovolný počet opakování.

Pro lepší pochopení ještě uveďme jednoduchý příklad. Následující regulární výraz testuje, zda je daný řetězec datem zapsaným podle českých zvyklostí. Ve výrazu kontrolujeme pochopitelně pouze platnost znaků, nikoli zda je zapsané datum platné (zda odpovídají počty dnů v měsíci apod.).

'^([0-9]{1,2}\.){2}([0-9]{4})?$'

V rámci opakování připomeňme na tomto výrazu ještě některé věci. Kulaté závorky slouží pouze k oddělení částí podvýrazu. V našem případě proto, abychom za ně mohli připojit počet opakování (do složených závorek). Dále si všimněme, že před tečkou máme lomítko, protože potřebujeme skutečný znak tečky, nikoli žolíka, který zastupuje libovolný znak.

Použití

Nyní, když jsme probrali základy syntaxe regulárních výrazů, můžeme se podívat na jejich použití v PHP. Základem jsou funkce ereg() a eregi(), které testují, zda daný řetězec odpovídá předepsanému regulárnímu výrazu. Obě funkce se liší pouze tím, že eregi() není case-sensitive. Ve většině případů je ale lepší používat funkci ereg() a otázku malých/velkých písmen řešit svépomocí v regulárním výrazu.

int ereg(string $pattern string $str, [array $regs])

Řetězec $pattern obsahuje regulární výraz, $str je testovaný řetězec. Pole $regs je volitelné a jeho použití ukážeme v příštím díle. Funkce vrací délku podřetězce, který odpovídá výrazu, nebo false, pokud řetězec výrazu nevyhovuje. Na závěr ještě ukažme dva praktické příklady.

V prvním příkladu trochu rozšíříme regulární výraz uvedený dříve pro testování zadaného data. Jednak budeme chtít trochu zpřísnit podmínky (aby nebylo možné zadat datum jako 42.15.2010) a také přidáme volitelně možnost za datum uvést ještě čas. Časový údaj mohou být pouze hodiny (např. 14h), nebo hodiny a minuty oddělené dvojtečkou.

'^[1-3]?[0-9]\.([1-9]|1[0-2])\.([0-9]{4})?( [1-2]?[0-9](h|:[0-5][0-9]))?$'

Pravidla pro jednotlivé dny nebo hodiny by šla samozřejmě ještě zpřísnit, avšak pro tento příklad není nutné situaci dále komplikovat. V druhém příkladu si ukážeme jednoduchý způsob jak ověřit, zda je řetězec e-mailovou adresou.

'^[-a-zA-Z0-9._+%]+@[-a-zA-Z0-9.]+\.[a-zA-Z]{2,4}$'

Pochopitelně i tento příklad je silně zjednodušený. Skutečná pravidla pro formát e-mailové adresy jsou poněkud složitější (definuje je RFC 2822), takže i regulární výraz, který by je správně otestoval je dlouhý.

V příštím díle si ukážeme, jak pomocí regulárních výrazů také vybírat podřetězce, provádět nahrazování nebo rozdělit řetězec na tokeny.