Regulární výraz

Nejčastější využití je:

• vyhledávání textu
  • buď prosté zjištění, zdali vstupní text vyhovuje zadanému regulárnímu výrazu, nebo
  • zjištění offsetu (pozice) ve vstupním textu, kde shoda s regulárním výrazem začíná
• manipulace s textem
  • záměna textu v jednom z podvýrazů regexu
  • extrakce všech shod s regulárním výrazem do předané proměnné

Formálně je regulární výraz definován následujícím způsobem:

1. a je regulární výraz pro libovolný znakový literál (znak abecedy) a, popisující právě text a.
2. ε je regulární výraz pro prázdný řetězec.
3. ∅ označuje prázdný jazyk.
4. Pokud A a B jsou regulární výrazy, je AB regulární výraz, popisující zřetězení textů popsaných výrazy A a B.
5. Pokud A a B jsou regulární výrazy, je A + B regulární výraz, popisující buď text popsaný výrazem A, nebo text, popsaný výrazem B.
6. Pokud A je regulární výraz, pak A* je regulární výraz, popisující libovolný počet opakování (včetně žádného opakování) textů popsaných výrazem A.
7. Pokud A je regulární výraz, je (A) regulární výraz popisující stejný jazyk. (Závorky slouží pouze pro vyjasnění priorit.)

Tato definice dostačuje pro popis libovolného regulárního jazyka.

V praxi se používají obvykle rozšířené definice regulárních jazyků, které umožňují běžné konstrukce zapsat jednodušším způsobem (ale schopnosti takto rozšířených výrazů se od základní definice neliší). V běžných syntaxích se zpravidla objevují následující konstrukce:

Varianty

• | (svislá čára, roura) odděluje alternativy, např. výrazu kurz|kurs odpovídá řetězec „kurz“ i „kurs“

Seskupování

• () kulaté závorky umožňují definovat, na jakou část se další operátory mají vztahovat, např. pro předchozí příklad lze využít i výraz kur(z|s)

Libovolný znak

• . (tečka) znamená libovolný znak, např. .ez značí třípísmenný řetězec končící na -ez (bez, fez, jez, lez atd.). Pozn.: Podle konkrétního nastavení se nemusí vztahovat na nový řádek.
• [ ] Jeden z uvedených znaků: zápis [a-z0-9] znamená libovolný malé písmeno nebo číslice.
• [^ ] Jeden z neuvedených znaků: zápis [^a-z0-9] znamená libovolný znak kromě malých písmen a číslic. Jindy se místo stříšky používá vykřičník [! ].
• \kód Definované množiny znaků: některé speciální skupiny znaků mají zkratkový zápis, např. \d pro libovolnou desítkovou číslici, \s pro bílý znak apod.

Počet opakování

• ? Nepovinná část, sémanticky odpovídá „0 nebo 1 výskyt“. Např. výrazu hos?tel odpovídá hostel i hotel.
• * Žádný nebo libovolný počet opakování, např. 10*1 označuje řetězce: 11, 101, 1001, 10001
• + Jedno a více opakování, 49+ označuje: 49, 499, 499 atd., ale nikoli samotné 4.
• {m,n} Zadaný počet opakování: zápis 10{3,5} popisuje jedničku a skupinu tří až pěti nul – 1000, 10000, 100000.

Začátek a konec

• ^ Pouze na začátku řetězce: zápis ^nějakývýraz popisuje pouze takové řetězce nějakývýraz, které se nachází na začátku řetězce.
•  $Pouze na konci řetězce: zápis nějakývýraz$ popisuje pouze takové řetězce nějakývýraz, které se nachází na konci řetězce.

Speciální znaky

• \ zpětné lomítko Je-li potřeba zadat znak, který má zde speciální význam, je před něj potřeba vložit zpětné lomítko (tzv. escapování): \. pro vyhledání tečky.

Specifické dle jazyka

• Různá rozšíření (nemusejí být standardní), například [[:<:]]Wikipedie[[:>:]] (pro MySQL) hledá výraz Wikipedie jako celé slovo (tj. oddělené mezerami, interpunkcí či jinými znaky, které nejsou součástí slova).
• Celý regulární výraz podle PCRE (viz níže) je navíc oddělen znakem (nejčastěji dopředným lomítkem), které jej též uzavírá a za kterým následují „přepínače“. Například přepínač i vypíná citlivost na velká/malá písmena.

Mezi nejznámější používané syntaxe zápisu regulárních výrazů patří POSIX Regular Expressions a Perl Compatible Regular Expressions (PCRE), odvozená z definice jazyka Perl. Syntaxe PCRE (případně s malými odlišnostmi) se používá mimo jiné v PHP (funkce preg_ nebo (nyní již zastaralé) funkce ereg), Pythonu či JavaScriptu.

V mnoha dnešních nástrojích obsahuje syntaxe „regulárních výrazů“ prostředky, kterými lze popsat jazyky silnější než regulární. Např. prostřednictvím tzv. zpětných odkazů v PCRE lze zapsat výraz (.*)\1, který označuje dvojí opakování libovolného textu (např. „masomaso“ či „123123“). Jazyk všech takových opakování však není regulární, není dokonce ani bezkontextový; běžné nástroje tak umožňují zapsat NP-těžké jazyky (a vyhledávat podle nich).

To vede k jistému zmatení pojmů, neboť „regulární výraz“ v běžném použití označuje obecnější pojem než „regulární výraz“ ve smyslu teorie formálních jazyků. Pro jednoznačnost se někdy tyto „rozšířené regulární výrazy“ označují jinak, např. výhradně výrazem „regex“.[2][3]

• Pe(t|p)a popisuje řetězce „Peta“ a „Pepa“.
• Ba*f popisuje řetězce „Bf“, „Baf“, „Baaf“, „Baaaf“ atd.
• \d{3} \d{2} popisuje posloupnost tří ({3}) číslic (\d), mezeru a dvě číslice – formát PSČ.
• <[^>]*> pro HTML prvek – libovolný text uzavřený mezi špičaté závorky; libovolný text je popsán jako libovolný počet znaků (*) jiných než „>“ ([^>]) (poznámka: tento výraz je zjednodušený, ve skutečném HTML situaci komplikují řetězce v uvozovkách).
• [0-9a-fA-F]+(, ?[0-9a-fA-F]+)* popisuje seznam hexadecimálních čísel, oddělených čárkou nebo čárkou následovanou mezerou: hexadecimální číslice může být kromě 0–9 i jedno z prvních šesti písmen malé nebo velké abecedy ([0-9a-fA-F]), první číslo může mít jednu nebo více číslic (+), po něm může následovat žádné nebo libovolný počet ((…)*) dálších čísel, vždy nejdříve čárka, pak žádná nebo jedna ( ?) mezera a nakonec vlastní číslo zapsané stejným způsobem jako to první.