Perl-compatible regulární výrazy v PHP (7) – lokální modifikátory, tvrzení

Modifikátory potřetí – lokální použití

V předcházejících článcích jsme se seznámili se šesti modifikátory („i“, „m“, „s“, „x“, „e“ a „U“). Vždy, když jsme použili určitý kvantifikátor, měl platnost pro celý regulární výraz. Mnohé modifikátory („i“, „m“, „s“, „x“, „U“) je však možno použít (pomocí speciální konstrukce) i lokálně, tedy tak, že změna chování se bude týkat jen ohraničené části regulárního výrazu.

Uveďme si příklad s modifikátorem „i“ (ignore case – nerozlišování malých a velkých písmen). Regulárnímu výrazu ^ab(?i:cd)e$ budou odpovídat abcde, abcDe, abCde a abCDe (nikoli však již například ABCDE). Modifikátor „i“ se v tomto výrazu týká pouze části výrazu mezi (?i: a ). Toto uzávorkování části výrazu netvoří zpětnou referenci.

Všimněte si, že konstrukce pro „uzávorkování netvořící zpětné reference“ (viz předchozí článek) je velmi podobná. Místo i v (?i: je možno použít také modifikátory „m“, „s“, „x“ a „U“. Můžeme dokonce použít i několik modifikátorů současně – například „i“ a zároveň „x“ ve výrazu ^ab(?ix:c d)$ (díky modifikátoru „x“ bude mezera mezi c a d ignorována).

Pro lokální definování modifikátorů však existuje ještě jedna syntaxe. Syntaxi si opět předvedeme na příkladu s použitím modifikátoru „i“. Regulární výraz ^ab(?i)cd(?-i)e$ je ekvivalentní výše uvedeného výrazu ^ab(?i:cd)e$. Konstrukce (?i) zapne modifikátor „i“ a ten bude platit až do konce řetězce (případně do konce subvýrazu jehož je součástí) nebo do jeho vypnutí.

Konstrukce pro vypnutí modifikátoru je podobná – v našem případě (?-i). Obecně se příslušný modifikátor vypne, pokud písmenu označujícímu daný modifikátor předchází znak - (pomlčka). Pomocí jedné konstrukce můžeme dokonce jeden modifikátor zapnout a druhý vypnout. Například konstrukce (?i-x) zapne modifikátor „i“ a vypne modifikátor „x“.

Pro úplnost doplním ještě třetí možnost zápisu výrazu, který bude ekvivalentem výše zmíněných dvou výrazů ^ab(?i:cd)e$ a ^ab(?i)cd(?-i)e$. Jedná se o výraz ^ab((?i)cd)e$ a demonstruje výše zmíněné tvrzení, že pokud je použita konstrukce (?i) v rámci subvýrazu, je platnost modifikátoru omezena na část příslušného subvýrazu od místa použití modifikátoru do konce subvýrazu.

Při používání konstrukce (?i) (samozřejmě nejen s modifikátorem „i“) ve výrazu (či subvýrazu) s alternativami si musíme dát zvlášť pozor, aby se náš regulární výraz skutečně choval tak, jak zamýšlíme. Například regulárnímu výrazu ^(ab(?i)c|de)$ totiž odpovídají jednak řetězce abc a abC, ale také de, dE, De a DE. Je tedy zřejmé, že modifikátor ovlivní i druhou část (alternativu) subvýrazu.

Tvrzení o následujícím, tvrzení o předcházejícím

Při popisu principů regulárních výrazů se snažím nalézt pro anglické termíny (popisující problematiku regulárních výrazů) také české ekvivalenty. Proto budu dále v textu pro look ahead assertions používat termín tvrzení o následujícím a pro look behind assertions termín tvrzení o předcházejícím. A o čem to je vlastně řeč?

Tvrzení o následujícím

Cílem použití regulárních výrazů je často nalezení textu (nebo části textu), který danému regulárnímu výrazu odpovídá. Výsledkem hledání je pak řetězec znaků o určité délce. Občas však můžeme chtít deklarovat, že za tímto řetězcem (nebo jeho částí) musí (či naopak nesmí) následovat určitý řetězec, který je opět popsán pomocí regulárního výrazu.

Řekněme, že chceme nalézt sekvenci minimálně tří znaků a (což popisuje regulární výraz a{3,}), za níž nenásleduje číslice desítkové soustavy (což popisuje výraz \d). Podstatné je uvědomit si, že výsledkem hledání bude pouze sekvence znaků a a o tom, co následuje za touto sekvencí, nám stačí vědět (tvrdit), že odpovídá danému tvrzení. V našem případě nám stačí vědět, že za sekvencí znaků a nenásleduje číslice desítkové soustavy (a nezajímá nás už, co za sekvencí následuje).

Právě jsme si popsali modelový příklad vhodný pro použití „záporného tvrzení o následujícím“ (záporného proto, že uvádíme „…za níž nenásleduje…“). Popsaný příklad lze postihnout regulárním výrazem a{3,}(?!\d). Klíčovou je v tomto výrazu část (?!\d), která popisuje vlastní záporné tvrzení o následujícím. Vlastní regulární výraz popisující řetězec, který v určitém místě nesmí následovat (vyskytovat se vpravo od aktuální pozice), je uzavřen mezi (?! a ) (tyto závorky nevytvářejí zpětné reference).

Stejně jako existují záporná tvrzení o následujícím, existují také kladná tvrzení o následujícím. Pokud trochu upravíme výše uvedený příklad, můžeme chtít nalézt sekvenci minimálně tří znaků a (což popisuje regulární výraz a{3,}), za níž následuje číslice desítkové soustavy (což popisuje výraz \d). Potom použijeme regulární výraz a{3,}(?=\d). V tomto případě představuje kladné tvrzení o následujícím (?=\d). Mezi (?= a ) ovšem může být opět libovolný regulární výraz. I zde platí, že součástí nalezeného řetězce nebude (v našem případě) ona následující číslice desítkové soustavy. Dokonce ani nezjistíme, o jakou číslici se jedná, stačí nám tvrzení, že tam nějaká číslice je.

Tvrzení o předcházejícím

Tvrzení o předcházejícím funguje podobně jako tvrzení o následujícím, jen s tím rozdílem, že se „zkoumání“ podrobuje řetězec vlevo od aktuální pozice (tedy – zjednodušeně řečeno – od pozice, kde se nachází tvrzení o předcházejícím).

Řekněme, že chceme najít číslo, které není beze zbytku dělitelné stem (nekončí tedy sekvencí 00). Řešením je použití „záporného tvrzení o předcházejícím „, které má obecnou konstrukci (?výraz), kde výraz je regulární výraz popisující předcházející řetězec. V našem případě bude celý regulární výraz \b\d+(?. Abychom zajistili, že výrazu budou odpovídat skutečně jen ryze číselné sekvence (nikoli části alfanumerických sekvencí jako například 041234 z řetězce VF041234), ohraničili jsme výraz pomocí hranic slova (\b). Za první hranicí slova následuje výraz \d+ (sekvence číslic), následovaný záporným tvrzením o předcházejícím (?.