Regulárne výrazy v jazyku PHP

Regulárne výrazy sú nástroje, ktoré umožňujú jednoducho vyhľadávať, overovať, porovnávať, rozdeľovať, zlučovať a nahrádzať reťazce podľa masky (vzoru). Je to veľmi výkonný a elegantný nástroj na pokročilú manipuláciu s reťazcami.

Maska

Na začiatku musíme najprv vymyslieť skutočný regulárny výraz, ktorý budeme vykonávať. Zadáva sa ako textový reťazec, ktorý má množstvo pravidiel a konfiguračných možností (ide o veľmi zložitú techniku).

Na začiatok je dôležité poznamenať, že regulárny výraz sa vyhodnocuje postupne zľava doprava a ak existuje viacero spôsobov interpretácie reťazca, vždy sa použije najväčšia možná zhoda (správa sa hladovo a snaží sa spracovať čo najviac znakov).

Správanie a stratégiu spracovania regulárneho výrazu možno ovplyvniť prepínačmi, ktorých je veľa.

Jednoduché overenie, či je reťazec platný e-mail

Ako môžeme jednoducho skontrolovať, či je reťazec jan@barasek.com platnou e-mailovou adresou bez toho, aby sme ho museli rozdeľovať na zložité časti alebo ho prechádzať znak po znaku?

Odpoveď poskytujú regulárne výrazy (uvedený výraz je na účely príkladu veľmi zjednodušený a skutočná implementácia overovania e-mailovej adresy by mala byť o niečo zložitejšia):

$mail = "jan@barasek.com;
$regex = '/^.+@.+\.(en|en|com)$/';

if (preg_match($regex, $mail)) {
   echo "E-mail je platný;
} else {
   echo "E-mail nie je platný;
}

Pozrime sa na výraz /^.+@.+\.(en|en|com)$/ trochu podrobnejšie:

Najprv musíme celý výraz obaliť dvojicou znakov / (na začiatku a na konci), ktoré určujú, kde výraz začína a kde končí. Za znakom / na konci výrazu nasledujú všetky modifikátory (nastavenia režimu spracovania výrazu).

Pri spracovaní výrazu postupujete z ľavej strany znak po znaku. Každý z nich má svoj vlastný význam, ktorý je uvedený v nasledujúcej tabuľke:

Len pre úplnosť uvediem úplnú podobu pravidla validácie pre e-mail, ako ho implementovala spoločnosť Nette:

/**
 * Zistí, či je reťazec platná e-mailová adresa.
 */
public static function isEmail(string $value): bool
{
   $atom = "[-a-z0-9!#$%&'*+/=?^_`{|}~]"; // RFC 5322 necitované znaky v lokálnej časti
   $alpha = "a-z\x80-\xFF"; // nadmnožina IDN
   return (bool) preg_match("(^
      (\"([ !#-[\\]-~]*|\\\\[ -~])+\"|$atom+(\\.$atom+)*)  # quoted or unquoted
      @
      ([0-9$alpha]([-0-9$alpha]{0,61}[0-9$alpha])?\\.)+    # domain - RFC 1034
      [$alpha]([-0-9$alpha]{0,17}[$alpha])?                # top domain
   \\z)ix", $value);
}

preg_match() - overenie podľa vzoru

Základnou funkciou pre validáciu a parsovanie formátu je preg_match(), má 2 povinné parametre a tretí môže byť použitý na špecifikáciu výstupného poľa.

Príklad:

$psc = '272 01'; // Kladno

if (preg_match('/^(\d{3})\s*(\d{2})$/', $psc, $parser)) {
   echo 'PSČ je platné [' . $parser[1] . ', '. $parser[2] . ']';
} else {
   echo "Poštové smerovacie číslo nie je platné;
}

Kód vráti: Kód je platný [272, 01].

Všimnite si jednoduché zátvorky, ktorými sme výraz rozdelili na niekoľko menších častí. To potom umožňuje získať jednotlivé podvýrazy ako položky poľa. Celá funkcia potom vráti true alebo false podľa toho, či bol reťazec úspešne zachytený.

Niekedy je však orientácia v číselnom poradí zátvoriek veľmi náročná, pretože sa môže zmeniť ich počet alebo ich môže byť jednoducho príliš veľa. V tomto prípade je možné zátvorky pomenovať jednotlivo a potom pristupovať ku kľúčom pomocou ich názvov.

Napríklad:

$phone = '777 123 456';

preg_match('/^(?<operátor>\d{3})\s*(?<číslo>[0-9 ]+)$/', $phone, $parser);

echo $parser["operátor]; // vrátil 777

preg_replace() - nahradenie podľa vzoru

Reťazce je možné nahradiť aj pomocou regexu, čo je užitočné najmä pri rôznych opravách formátu po používateľovi.

Predpokladajme, že chceme uložiť telefónne číslo zadané používateľom v celočíselnom tvare, pretože to vyžaduje knižnica tretej strany, ale používatelia ho môžu zadávať v dosť divokých formátoch.

V takom prípade sa držím diktátu:

"Buďte štedrí v tom, čo prijímate, a prísni v tom, čo posielate".

Preto automaticky upravujeme formát. Najprv pomocou rozboru rozdeľujeme reťazec na jednotlivé časti a potom ho zložíme späť podľa čísel zátvoriek:

function formatPhoneNumber(string $phoneNumber): int
{
   return (int) preg_replace(
      '/^(\+\d{3})\s*(\d{3})\s*(\d{3})\s*(\d{3})$/',
      '$2$3$4',
      $phoneNumber
   );
}

echo formatPhoneNumber('+420 777 123 456');

Konštrukcia reťazca podľa regulárneho výrazu

Regexy majú veľký zmysel aj pri generovaní nových reťazcov podľa zložitého vzoru.

Čisté PHP to nepodporuje, ale môžeme si stiahnuť knižnicu tretej strany ReverseRegex, ktorá to dokáže.

Môžeme napríklad chcieť vygenerovať sadu hesiel na základe regexu [a-z]{10} a nič nás nezastaví:

jmceohykoa aclohnotga jqegzuklcv ixdbpbgpkl kcyrxqqfyw jcxsjrtrqb kvaczmawlz itwrowxfxh auinmymonl dujyzuhoag vaygybwkfm

Použitie je nasledovné:

use ReverseRegex\Lexer;
use ReverseRegex\Random\SimpleRandom;
use ReverseRegex\Parser;
use ReverseRegex\Generator\Scope;

require 'vendor/autoload.php';

$lexer = new  Lexer('[a-z]{10}');
$gen   = new SimpleRandom(10007);
$result = '';

$parser = new Parser($lexer, new Scope(), new Scope());
$parser->parse()->getResult()->generate($result, $gen);

echo $result;

Takto napríklad generujem svoje matematické príklady v programe Nette v aplikácii Presenter a je to možné naozaj ľahko:

public function actionRegex(): void
{
   $lexer = new Lexer('\d{1,3}[\+\-\*\/]');
   $parser = new Parser($lexer, new Scope(), new Scope());
   for ($i = 0; $i <= 10; $i++) {
      $result = '';
      $gen = new SimpleRandom($i);
      $parser->parse()->getResult()->generate($result, $gen);
      dump($result);
   }
   $this->terminate();
}

Dôležité pre knižnicu je, že pre ten istý vstup generuje stále rovnaký výstup (aj keď sa môže zdať, že pre každý regulárny výraz existuje veľa možných reťazcov). Ak chceme náhodne zmeniť generovaný výraz, musíme zmeniť aj seed, pomocou ktorého sa generuje výstupný reťazec. Na tento účel je užitočné buď prechádzanie intervalu semien, alebo funkcia rand(1, 1e6).

Zachytávanie a spracovanie chýb

V PHP je zachytávanie chýb v regexoch peklo, ale aj tak existuje riešenie.

Podrobne je to vysvetlené v článku Dosiahnuteľné regulárne výrazy v PHP od Davida Grudela.

Jan Barášek   Více o autorovi

Autor článku pracuje jako seniorní vývojář a software architekt v Praze. Navrhuje a spravuje velké webové aplikace, které znáte a používáte. Od roku 2009 nabral bohaté zkušenosti, které tímto webem předává dál.

Rád vám pomůžu:

Kontakt