Ce sunt regular expressions?

Daca ati intalnit termeni ca regex, expresii regulate, patterned search etc, sau daca ati citit tutorialul despre mod_rewrite si URLuri frumoase, inseamna ca ati dat peste niste siruri ciudate de caractere aparent aleatorii.

Expresiile regulate sunt o forma flexibila si puternica de a defini patternuri (modele) de stringuri. Un string subscrie la un astfel de pattern daca are o anumita forma, definita in pattern, spre exemplu daca este format din doua litere de tipar si apoi sase cifre. Daca sunteti atenti, acesta este patternul pentru o serie de buletin. LLCCCCCC, unde L este o litera de tipar, iar C este o cifra de la 0 la 9. Daca vrem sa obtinem toate seriile de buletin dintr-un document, tot ce trebuie sa facem este sa cautam dupa acest pattern.

Sa vedem cum scriem patternul folosind regex.

^[A-Z]{2}[0-9]{6}$

Atat si nimic mai mult. Pare incurcat, dar este de fapt foarte simplu. Sa incercam sa descifram.

Caracterul ^(carot) marcheaza inceputul stringului, iar $ marcheaza sfarsitul lui. Intre aceste doua caractere ne vom scrie expresia. Putem renunta la ele, caz in care expresia se va potrivi oricarei bucati din stringul respectiv.

Parantezele patrate [] reprezinta o secventa de caractere. O putem defini folosind anumite selectoare, sau scriind direct caracterele la care ne gandim. Daca dorim ca secventa sa contina doar cifre, putem scrie intre paranteze drepte toate cifrele. Sau putem folosi un selector: [0-9]. Daca dorim litere mici, [a-z]. Pentru litere mari, [A-Z]. Aceste selectoare se pot combina, pentru a face ca secventa sa poata contine toate caracterele specificate de ele: [a-zA-Z0-9_ ] va defini o secventa care poate contine litere mari, mici, cifre si caracterele “_” si “ ”(spatiu alb).

Acoladele {} contin numarul de caractere pe care il poate avea secventa de text dinaintea lor. {2} inseamna ca secventa precedenta trebuie sa aiba 2 caractere. Impreuna, [A-Z]{2} semnifica o secventa de 2 litere mari. Daca dorim sa stabilim limite de marime, o putem face folosind {2,5} – secventa nu mai mica de 2 caractere si nu mai mare de 5 – sau, dupa caz, limita doar intr-o parte: {2,} – secventa mai mare de 2 caractere – sau {,2} – secventa mai mica de 2 caractere.

Cu aceasta am incheiat explicatia patternului pentru seria de buletin. Insa puterea expresiilor regulate nu se opreste aici. Sa explicam o expresie folosita in tutorialul de rewrite:

RewriteRule ^([a-zA-Z]+)[/]*$

Avem aici doi operatori necunoscuti. + inseamna de fapt {1,} – unu sau mai mult – iar * {0,} – poate sa existe sau sa nu existe. In loc de * am putea folosi si ?, cu efectul ca ? se refera la caracterul precedent (deci \/?), pe cand * la secventa precedenta (deci [/]*). Ati vazut ca am folosit ?\/. Asta deoarece caracterul slash este caracter de escape. Cu alte cuvinte, daca vrem sa introducem in regex un caracter rezervat (cum ar fi *,+,/,?, parantezele etc.) trebuie sa-l “scapam” prin slash, pentru ca parserul regex sa inteleaga ca este vorba de un caracter si nu de o comanda speciala.

Un alt exemplu. Pentru a gasi toate cuvintele de forma f[cifra sau x] vom folosi regexul f[0-9x]{1}

Pentru a gasi tot ce are forma f[doua cifre][orice alt caracter] vom folosi regexul f[0-9]{2}. – inclusiv punctul. Punctul (.) intr-un regex semnifica orice caracter, mai putin line breaks.

Un ultim lucru: parantezele rotunde pot grupa mai multe secvente, pentru a le putea aplica aceleasi comenzi. Mai mult, parantezele rotunde vor retine valori. Daca grupam astfel: ([a-z]+[0-9]+){3}, valorile pe care le va lua paranteza vor fi stocate in variabila $1. Daca am avea o a doua paranteza, valorile ei ar fi stocate in variabila $2 si asa mai departe.

Caractere speciale in regex:

* - 0 sau mai multe caractere
+ - 1 sau mai multe caractere
^ - non
\d - o singura cifra
\w - un singur alfanumeric plus underscore
\s - spatiu alb (inclusiv line breaks si tabs)
\t – tab
\n – new line (\r\n pe Windows) – cel mai bine foloseste \s\S
. – orice caracter, mai putin line breaks
| - sau a|b va gasi si a si b
? – ori e, ori nu e, tot aia Wink


Daca doriti sa manipulati texte folosind regexuri, va recomand cu caldura PowerGREP. Daca vreti sa le folositi cumva in php, haideti sa aplicam ceea ce am invatat si sa gasim toate adresele de email dintr-o pagina.

Sa stabilim intai regexul pentru o adresa de email:
[a-zA-Z0-9_.-]+@[a-zA-Z0-9_.-]+\.[a-zA-Z]{2,4}+

Prima paranteza dreapta este pattern pentru partea de dinainte de arond. Am folosit + pentru ca secventa trebuie sa contina minim un caracter, fie litera, cifra, fie –, punct sau _. Urmeaza apoi un arond, si din nou aceeasi secventa, pentru numele de domeniu. Avem apoi un punct „escaped”, deoarece nu suntem intr-o secventa [], si apoi tipul de domeniu, care nu poate contine decat 2 pana la 4 litere. Am ales varianta case-insensitive, dar puteti sa schimbati acest lucru, nu?

Sa vedem cum lucram cu PHP. Cel mai simplu si mai rapid, vom folosi functiile preg, portate din PERL. Asta inseamna ca orice regex va deveni /regex/.


$string = 'vlad@d-d.ro este adresa mea de email. Poti sa-mi scrii si la bla.bla@yahoo.com';
$emails = array();


Am stabilit stringul in care vom cauta si arrayul in care vor merge emailurile gasite. Acum nu trebuie decat sa chemam functia:


preg_match_all('/[a-zA-Z0-9_.-]+@[a-zA-Z0-9_.-]+\.[a-zA-Z0-9_]{2,4}+/', $string, $emails, PREG_SET_ORDER);


Aceasta functie are trei flaguri:
PREG_SET_ORDER, pe care l-am folosit, ne intoarce un array asociativ in care vor fi scrise doar valorile parantezelor din rezultatele gasite, grupate pe rezultat.
PREG_OFFSET_CAPTURE ne va spune in plus numarul caracterului la care incepe paranteza respectiva
PREG_PATTERN_ORDER ne va intoarce un array simplu cu toate parantezele gasite, in ordinea din string. Experimentati.

Pentru a vedea daca un string se potriveste unui regex, puteti folosi preg_match(), care va intoarce numarul de matchuri, deci 0 pentru nici un match, si FALSE in caz de eroare. Atentie! strpos() sau strstr() sunt mai rapide decat preg_match(), asa ca daca nu aveti nevoie neaaparata de regex, folositi functiile de stringuri.

Ce mai este de stiut? Daca doriti un regex find pe un array, este de folosit preg_grep(), iar daca doriti replace puteti folosi preg_replace(). Succes!