Tartalomjegyzék

< PHP

PHP Szabályos kifejezések

Bevezetés

Reguláris kifejezések vagy Regular Expressions. Karaktersorozatokban keresek egy bizonyos mintának megfelelő karaktersorozatot. Ha megtaláltam, akkor kezdhetünk vele valamit. Törölhetjük, lecserélhetjük, vagy csak megvizsgálhatjuk egyáltalán van-e ilyen.

A PHP kétféle regex eszközt biztosít számunkra. Az egyik POSIX a másik Perl szabványon alapszik. Mi most a perl kompatibilis függvényeket nézzük meg (PCRE).

Példa sorok

Lássunk egy példát. Adott több sor. Esetünkben öt sor:

példa1 

Jóska iszik a kulacsából.
Iszik Jóska a kulacsából.
Iszik a kulacsából Jóska.
Emese iszik a kulacsából.
Lajos iszik a kulacsából.

Persze lehet ez bármilyen szöveg, bármilyen karakterekkel. Lehet esetleg egy weblap forrása amelyből szeretnénk kinyeri a weboldal tartalmát a html elemek nélkül:

példa2

index.html
<html>
 
 
<body>
<h1>Weboldal címe</h1>
<p>
Weboldal
tartalma</p>  
</body>  
</html>

Lehetséges feladatok

Több feladatunk lehet. Például

A megtalált sorokkal aztán több dolgot is tehetünk.

Alapvető szintaxis

Illeszkedés sor elején vagy végén

Elmélet

A fentiekben az egyik lehetséges feladat volt, hogy keressük meg azokat a sorokat, amelyek a „Jóska” szóval kezdődnek. Vagyis sor eleji illeszkedést kell vizsgálnunk. Ez a következő karakterrel tehetjük meg: 

^

Az illeszkedés vizsgálatához készítenünk kell egy mintát, azaz egy szabályos kifejezést: 

^Jóska

A szabályos kifejezés azt jelenti, amit fentebb szeretünk volna. Akkor illeszkedik, ha a sor Jóskával kezdődik.

Sor végi illeszkedés a dollár karakterrel valósítható meg: 

$

Ha olyan sorokat szeretnék, amelyeknél a „Jóska” a sor végén van, akkor $ karaktert használunk a szabályos kifejezésben: 

Jóska$

Ha csak olyan sorokat szeretnék, amelyben a „Jóska szó egyedül szerepel, akkor jelzem a szabályos kifejezésben, hogy illeszkedjen a sor elejére és a végére is: 

^Jóska$

Egyezés keresés a gyakorlatban

Keressük azokat a sorokat, amelyek elején van Jóska: 

<?php
 
$str = <<< EOS
 
Jóska iszik a kulacsból
Iszik Jóska a kulacsból
Iszik a kulacsból Jóska
 
EOS;
 
    print preg_match("/^Jóska/", $str);
 
?>

Ha van ilyen sor, akkor 1-es, azaz igaz értéket kapunk. Ha nincs ilyen akkor 0-át kapunk.

A mintaillesztés esetén a minta kezdetét és végét ”/„ karakterrel jelezzük. Erre azért van szükség, mert később a minta mellett, módosítókat is fogunk használni.

Most olyan sorokat keresünk, amelyekben benne van a Jóska (bárhol): 

<?php
 
$str = <<< EOS
 
Jóska iszik a kulacsból
Iszik Jóska a kulacsból
Iszik a kulacsból Jóska
 
EOS;
 
    print preg_match("/Jóska/", $str);
 
?>

Most olyan sorokat keresünk, amelyekben benne van a „jóska” kisbetűvel: 

<?php
 
$str = <<< EOS
 
Jóska iszik a kulacsból
Iszik Jóska a kulacsból
Iszik a kulacsból Jóska
 
EOS;
 
    print preg_match("/jóska/", $str);
 
?>

Ekkor nem találunk egyezést, vagyis nullát kell kapnunk.

Most olyan sorokat keresünk, amelyekben benne van a Jóska bárhol, de az lehet kis és nagybetűs: 

<?php
 
$str = <<< EOS
 
Jóska iszik a kulacsból
Iszik Jóska a kulacsból
Iszik a kulacsból Jóska
 
EOS;
 
    print preg_match("/jóska/i", $str);
 
?>

Vegyük észre az beírt „i” betűt. Az „i” a case-insensitive szavakból származik, ami azt jelenti, nincs kis és nagybetűérzékenység. 

<?php
 
$str = <<< EOS
 
Jóska iszik a kulacsból
Iszik Jóska a kulacsból
Iszik a kulacsból Jóska
 
EOS;
 
    print preg_match("/jóska/", $str);
 
?>

Csere gyakorlat

<?php
print "<!doctype html>\n<html>\n<head>\n";
print "<meta charset=\"utf-8\">\n<head>\n<body>";
 
 
$str = <<< EOS
 
Jóska iszik a kulacsból<br>
Iszik Jóska a kulacsból<br>
Iszik a kulacsból Jóska<br>
 
EOS;
 
print preg_replace("/Jóska/", "Pista", $str);
 
print "</body></html>";	
 
 
?>

Most beállítottam a generált html oldal karakterkódolását is, a megjelenítendő ékezetes karakterek miatt. Vegyük észre az új preg_replace() függvényt.

Most töröljük a <br> elemeket szabályos kifejezések használatával: 

<?php
print "<!doctype html>\n<html>\n<head>\n";
print "<meta charset=\"utf-8\">\n<head>\n<body>";
 
 
$str = <<< EOS
 
Jóska iszik a kulacsból<br>
Iszik Jóska a kulacsból<br>
Iszik a kulacsból Jóska<br>
 
EOS;
 
print preg_replace("/<br>/", "", $str);
 
print "</body></html>";	
 
?>

Darabolás gyakorlat

<?php
 
$str = "Nagy Pista:Miskolc:Szeg utca 30.:280000";
 
EOS;
 
$tomb = preg_split("/:/", $str);
 
print "Nev: $tomb[0]<br>";
print "Telepules: $tomb[1]";
?>

Szóközökkel elválasztott szavak: 

<?php
 
$str = "Pista Miskolc 280000";
 
EOS;
 
$tomb = preg_split("/ /", $str);
 
print "Nev: $tomb[0]<br>";
print "Telepules: $tomb[1]";
?>

Ezt megoldhatjuk, egyszerűen egy szóköz írásával.

Előfordulhat, nemcsak szóköz, hanem bármilyen más whitespace karakterre szeretnénk illeszkedést. Ekkor használjuk az „s” helyettesítőt. Minden helyettesítő karaktert egy visszaperjel „\” vezet be: 

<?php
 
$str = "Pista	Miskolc 280000";
 
EOS;
 
$tomb = preg_split("/\s/", $str);
 
print "Nev: $tomb[0]<br>";
print "Telepules: $tomb[1]";
?>

Ekkor illeszkedni fog szóközre és tabulátorra is. Azonban még mindig csak egyetlen szóközre vagy tabulátorra illeszkedik.

Karakterek, illetve minta előfordulása

Használt szimbólumok: * + ?

Unicode karakter illeszkedése

\x{FFFF}
\X
\p{L}

Escape szekvenciák

\d egy decimális szám
\D egy karakter, amely nem decimális szám
\h egy horizontális elválasztó (whitespace) karakter (PHP 5.2.4-től)
\H egy karaktere, amely nem horizontális elválasztó (whitespace) karakter (PHP 5.2.4-től)
\s egy whitespace karakter
\S egy karakter, amely nem elválasztó (whitespace) karakter
\v egy vertikális elválasztó (whitespace) karakterr (PHP 5.2.4-től)
\V egy karakter, amely nem vertikális elválasztó (whitespace) karakter (PHP 5.2.4-től)
\w egy betű vagy szám vagy aláhúzás karakter (word)
\W egy karakter, amely nem betű vagy szám vagy aláhúzás karakter (non-word)
\b Egy szóhatár (word boundary), egy hely a szó (word \w) és a nem szó (non-word) karakterek között
\B Nem egy szóhatár

Karakterosztályok

Osztály Jelentés
alnum Betűk és számok
alpha Betűk
ascii A karakterkódja 0 és 127 közzé esik
blank szóköz vagy tabulátor
cntrl Kontrollkarakterek
digit Decimális számok (megegyezik a következővel: \d)
graph nyomtatható karakterek, kivéve a szóköz
lower kesbetűk
print nyomtatható karakterek és a szóköz
punct nyomtatható karakterek a betűk és a számok kivételével
space white space (nem egészen egyezik meg a következővel:\s)
upper nagybetűk
word „szó” karakterek (megyegyezik a következővel: \w)
xdigit hexadecimális számok 
<?php
 
$str = "abh";
 
 
if(preg_match("/[[:alpha:]]/", $str))
	print "Egyezik";
else
	print "Nem egyezik";
 
?>

Módosítók

Módosító Állandó
i PCRE_CASELESS
m PCRE_MULTILINE
s PCRE_DOTALL
x PCRE_EXTENDED
U PCRE_UNGREEDY
X PCRE_EXTRA
J PCRE_INFO_JCHANGED

A módosítókat a minta után írjuk. Például ne legyen kis és nagybetűérzékeny: 

/^valami_minta$/i

Példa a szóhatárra vágásból

Az szeretném, ha 12 karakterenként cserélje le 0 -értékre a szöveget. 

<?php
 
print "Szohatar<br>";
 
$str = "szerettem volna elvagni";
 
print preg_replace("/^(.{12,})\b/U", "0", $str);
 
?>

A \b a szóhatár jelöli.

Linkek