Шаг 1

Знакомство

Мы уже сталкивались с регулярными выражениями, когда (если) делали систему регистрации. Настало время копнуть поглубже.

Итак, что это такое.
Регулярные выражения (regex или regular expressions) представляют собой мощный и очень гибкий мини-язык, созданный для поиска подстрок в строке по заданным параметрам. Они являются неотъемлемой частью большинства основных языков программирования (PHP, Perl, JavaScript, Python, Ruby).
В этом разделе мы будем рассматривать только один из этих языков, это PHP.


Регулярки, это поистине сказочное явление, результат работы которых просто повергает в шок.
Часто можно услышать такое - я с регулярками не дружу. Это примерно тоже самое, что валить лес ножовкой и говорить - я с бензопилой не дружу. На самом деле это совсем не сложно, главное понять принцип и выучить немногословный синтаксис.

Попробуем.

И так, что они могут, эти регэкспы.
• Проверять, соответствует ли вся строка целиком заданным параметрам.
• Находить в строке подстроки, которые удовлетворяют заданные параметры.
• Получить из строки подстроки, соответствующие заданным параметрам.
• Изменять в строке подстроки, соответствующие параметрам.
• И еще кучу всего интересного.

Нужно сразу определиться с терминологией, которая используется при работе.

1. Строка - весь набор символов, переданный для разбора.
2. Подстрока – это символ или определенная последовательность символов, или часть строки.
3. Заданные параметры - то есть то, что нам надо найти, где искать, на что заменить и т. д.
4. Дальше будут попадаться и другие, по ходу движения все объясним.

Ну а теперь вкусное - пример.

Возьмем самый простой вариант, который часто применяется для валидации логинов.

Допустим из эстетических соображений нам нежелательно в логин допускать никакие символы, кроме кирилицы, латиницы и цифр. Если разбирать строку в массив и проверять принадлежность каждого символа к эталонному, то выйдет огромная функция:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

<?php     function checkData($str)     {           $standart = array('a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',                            'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z',                           'а', 'б', 'в', 'г', 'д', 'е', 'ё', 'ж', 'з', 'и', 'й', 'к', 'л',                           'м', 'н', 'о', 'п', 'р', 'с', 'т', 'у', 'ф', 'х', 'ц', 'ч', 'щ',                           'ъ', 'ы', 'ь', 'э', 'ю', 'я', '0', '1', '2', '3', '4', '5', '6',                           '7', '8', '9'                           );                                           mb_internal_encoding('utf-8');           $str = mb_strtolower($str);       $cnt = mb_strlen($str);           for($i = 0; $i < $cnt ; $i++)          if(!in_array(mb_substr($str, $i, 1), $standart))            return false;                  return true;     }         $login = 'עִבְרִית';          if(checkData($login))         echo 'Пойдет';         else         echo 'Лазутчики!';

Мало того, что она громоздкая и запутаная, так еще и заставляет PHP решать несвойственные ему задачи. Делать посимвольный анализ на нем можно только в крайних случаях.
А с помощью регулярных выражений эта задача решается коротенькой строчкой:

1 2 3 4 5 6 7 8 9

<?php    $login = 'Дормидонт';          if(!preg_match('#^[a-zа-яё0-9]+$#ui', $login))         echo 'Лазутчики!';          else         echo 'Пойдет';

Разберём регулярное выражение.
Взглядом незнакомого с регулярками человека эта мешанина всяких символов может показаться устрашающей, но если всё разобрать, то получается до боли просто.

Такой символ (^ - циркумфлекс или крышка) означает, что проверка будет от начала строки, ($ - доллар) означает конец строки. Если не ставить привязки к началу и концу строки, то регулярное выражение будет применимо к любой подстроке, и вот такой логин логинְרִית будет признан кошерным. ))

Так же границы регулярного выражения - должны как-то выделяться. В данном случае они выделены "шарпом", символом решетки, т.е. #. Во многих учебниках границы задаются слэшами /. Это то же верно, но если, вдруг, в регулярном выражении необходимо будет использовать слэши, то их придется экранировать. И по этому рекомендуется использовать максимально нейтральные границы, такие как # ну или &. Но мы будет использовать #, потому что она выглядит красивее.

Меду этими символами идет так называемый паттерн. То есть шаблон, на который будет ориентироваться программа, осуществляя поиск совподений.
В нашем случае это диапазоны символов от a до z (латинский алфавит) , от a до я плюс ё (кирилица) и от 0 до 9 (цифры).
То, что это помещено в квадратные скобки, и обозначает диапазон. Или класс. Обратите особое внимание на то, что буква ё не входит в диапазон а - я, так уж исторически сложилось. По этому нужно подставлять её отдельно.

Дальше идет плюсик. Это количество символов в подстроке. Если стоит плюс, то значит, что хотя бы один символ из указанного диапазона в строке быть обязан. Если звездочка - то может и не быть такого. Если цифра в фигурных скобках - значит именно такое количество символов должно идти подряд. Если диапазон, то от и до соответственно.

Буква u после границы шаблона(модификатор) означает, что мы будем работать с символами в кодировке (UTF-8), а i значит, что регистр символов не имеет значения, то – есть в верхнем, или в нижнем, или вперемешку будут символы, не важно. Есть еще куча модификаторов, которые помогают управлять процессом.

Если прервести это регулярное выражение на обывательский язык, то получится примерно так:
Проверяемая строка должна состоять хотя бы из одного символа латиницы или кирилицы или цифры. Другие символы не приемлимы. Заглавная или прописная - не важно.

Вот так вот примерно работают регулярки. Подробнее в следующих разделах.

Артем aka Winston