Tester wyrażeń regularnych

Tester wyrażeń regularnych: buduj i debuguj wzorce na własnym tekście

Wyrażenie regularne to miniaturowy język opisujący kształt tekstu. Zamiast pytać „czy to dokładne słowo jest tutaj?", regex pozwala zapytać „czy jest ciąg wyglądający tak?". To właśnie czyni go potężnym do wyszukiwania, walidowania, wyciągania i zastępowania tekstu w edytorach kodu, plikach logów, polach formularzy i skryptach. To też sprawia, że łatwo popełnić błąd, bo wzorzec, który w głowie wygląda poprawnie, może po cichu dopasowywać zbyt wiele, zbyt mało lub nic.

Dlatego interaktywne testowanie bije zgadywanie. Gdy wpisujesz wzorzec i widzisz, jak dopasowania rozświetlają się w rzeczywistym tekście próbki, otrzymujesz natychmiastową informację zwrotną: widzisz, co zostało złapane, co wyśliznęło się i która grupa przechwytująca złapała który fragment. Nasz Tester wyrażeń regularnych działa w całości w przeglądarce. Wzorzec i tekst próbny nigdy nie opuszczają strony, więc możesz wklejać wiersze logów, adresy e-mail lub dane produkcyjne bez wysyłania czegokolwiek na serwer.

Elementy składowe, które warto znać

Większość codziennych wzorców jest składana z małego zestawu elementów. Naucz się ich, a będziesz mógł odczytać większość wyrażeń regularnych napotkanych w terenie.

Klasy znaków opisują zestaw dozwolonych znaków. [aeiou] pasuje do dowolnej samogłoski, [0-9] pasuje do jednej cyfry, a [a-zA-Z] pasuje do jednej litery. Daszek wewnątrz nawiasów neguje zestaw, więc [^0-9] oznacza „dowolny znak niebędący cyfrą". Skróty oszczędzają pisanie: \d to cyfra, \w to znak słowny (litery, cyfry, podkreślenie), \s to biały znak, a kropka . pasuje do niemal dowolnego pojedynczego znaku.

Kwantyfikatory określają, ile razy poprzedni element może się powtarzać. * oznacza zero lub więcej, + oznacza jeden lub więcej, a ? oznacza zero lub jeden (opcjonalny). Dla dokładnych liczebników {3} oznacza dokładnie trzy, a {2,4} oznacza od dwóch do czterech. Tak więc \d{4} pasuje do czterocyfrowego roku, a colou?r pasuje do obu pisowni.

Kotwice przypinają wzorzec do pozycji, a nie do znaku. ^ pasuje do początku tekstu, $ pasuje do końca, a \b oznacza granicę słowa. Wzorzec ^Error pasuje tylko do wierszy zaczynających się od „Error", co jest dokładnie tym, czego chcesz podczas skanowania logów.

Grupy owijają część wzorca w nawiasy, zarówno po to, by zastosować kwantyfikator do kilku znaków naraz, jak i po to, by przechwycić dopasowany tekst do dalszego użycia. W (\d{4})-(\d{2})-(\d{2}) każda grupa przechwytuje składową daty, którą możesz wyciągnąć później. Alternacja za pomocą pionowej kreski działa jak „lub": cat|dog|fish pasuje do dowolnego z trzech słów.

Wzorce, po które rzeczywiście sięgasz

Kilka powtarzających się zadań obejmuje większość prawdziwej pracy. By złapać coś podobnego do adresu e-mail, [\w.+-]+@[\w-]+\.[\w.-]+ to pragmatyczny punkt startowy; pełna walidacja adresów e-mail zgodna z formalną specyfikacją jest słynnie zawiła, a luźny wzorzec jest zazwyczaj właściwym wyborem do podświetlania kandydatów, a nie odrzucania użytkowników.

Dla liczb \d+ chwyta ciągi cyfr, a -?\d+(\.\d+)? pasuje do opcjonalnych znaków ujemnych i dziesiętnych. By przyciąć wiodące i końcowe białe znaki, dopasuj ^\s+|\s+$ i zastąp niczym. By znaleźć zduplikowane słowa, wzorzec z odwołaniem wstecznym \b(\w+)\s+\1\b pasuje do słowa po którym następuje ono samo, gdzie \1 odwołuje się z powrotem do pierwszej grupy przechwytującej.

Flagi zmieniają sposób dopasowania

Flagi to przełączniki modyfikujące cały wzorzec. Flaga global (g) znajduje każde dopasowanie zamiast zatrzymywać się na pierwszym, co jest potrzebne przy podświetlaniu wszystkich wystąpień. Flaga case-insensitive (i) sprawia, że error pasuje do „Error" i „ERROR" jednakowo. Flaga multiline (m) zmienia działanie ^ i $ tak, by pasowały na początku i końcu każdego wiersza, a nie tylko całego tekstu, co jest niezbędne przy pracy z logami wiersz po wierszu. Inne przydatne flagi to s (dotall, pozwalający kropce dopasować znaki nowej linii) i u do pełnej obsługi Unicode.

Warianty różnią się nieco w zależności od języka

Regex to rodzina dialektów, a nie jeden stały standard. JavaScript, Python, PCRE (PHP), Java, .NET, Go i Rust zgadzają się co do podstawowej składni opisanej powyżej, ale rozbiegają na obrzeżach: obsługa lookahead/lookbehind, składnia nazwanych grup ((?<name>...) a (?P<name>...)), sekwencje ucieczki właściwości Unicode i dostępne flagi — to wszystko się różni. Wzorzec działający w jednym silniku może wymagać drobnej poprawki w innym, więc opłaca się testować z tym wariantem, który faktycznie używasz w produkcji. Gdy wzorzec jest już dopracowany, nasze inne narzędzia deweloperskie i narzędzia tekstowe mogą pomóc z otaczającą pracą czyszczenia, kodowania i transformowania właśnie dopasowanych danych.

Najczęściej zadawane pytania