Регулярні вирази

Регулярні вирази (скорочено – регекси) дають розробникам змогу шукати збіги з патернами, а також просто перевіряти, чи відповідає рядок патернові. Регулярні вирази використовуються в багатьох мовах програмування, і їх синтаксис у JavaScript навіяний мовою Perl.

Заохочується прочитання посібника з регулярних виразів, щоб отримати огляд доступних можливостей синтаксису регулярних виразів та того, як вони працюють.

Опис

Регулярні вирази – це важливий концепт у теорії формальних мов. Вони є способом описати множину рядків, що може бути нескінченною (така множина називається мовою). Регулярний вираз, своєю чергою, потребує наступних властивостей:

• Набору символів, що можуть вживатися у мові, – цей набір називається алфавітом.
• Зчеплення: ab означає "символ a, за яким слідує символ b".
• Об'єднання: a|b означає "або a, або b".
• Зірочки Кліні: a* означає "нуль або більше символів a".

Виходячи з припущення, що алфавіт є скінченним (подібно до 33 літер українського алфавіту, а також до всього набору символів Unicode), всі регулярні мови можуть бути згенеровані на основі властивостей вище. Звісно, чимало патернів дуже марудно виражати у такий спосіб (як "10 цифр" або "символ, що не є пробілом"), тож регулярні вирази JavaScript включають чимало скорочень, які будуть представлені нижче.

[!NOTE] Регулярні вирази JavaScript насправді не є регулярними, через існування зворотних посилань (регулярні вирази повинні мати скінченну кількість станів). Однак вони все одно є дуже корисною можливістю.

Створення регулярних виразів

Здебільшого регулярний вираз створюється як літерал, шляхом оточення патерну скісними рисками (/):

const regex1 = /ab+c/g;

Також регулярні вирази можна створювати за допомогою конструктора RegExp():

const regex2 = new RegExp("ab+c", "g");

Між цими способами немає різниці щодо їх виконання, хоча вони можуть впливати на продуктивність, статичну аналізовність та проблеми з ергономікою написання при екрануванні символів. Більше інформації – у довідці RegExp.

Позначки регексів

Позначки – особливі параметри, що можуть змінювати спосіб, у який регулярний вираз тлумачиться, або спосіб, у який він взаємодіє з вихідним текстом. Кожна позначка відповідає акцесорній властивості на об'єкті RegExp.

Позначки i, m і s можна вмикати та вимикати для конкретних частин регулярного виразу за допомогою синтаксису модифікатора.

Розділи нижче перераховують усі доступні можливості синтаксису регулярних виразів, згруповані за їх синтаксичною природою.

Твердження

Твердження – це конструкції, що перевіряють, чи відповідає рядок певній умові на вказаній позиції, але не поглинають символи. Твердження не можуть бути квантовані.

Твердження про початок та кінець рядка – ^, $

Стверджує те, що поточна позиція є початком або кінцем вихідних даних, або початком чи кінцем рядка тексту, якщо задана позначка m.

Твердження визирання – (?=...), (?!...)

Стверджує те, що після поточної позиції стоїть або не стоїть певний патерн.

Твердження озирання – (?<=...), (?<!...)

Стверджує те, що перед поточною позицією стоїть або не стоїть певний патерн.

Твердження меж слів – \b, \B

Стверджує те, що поточна позиція є межею слова.

Атоми

Атоми – найбазовіші одиниці регулярного виразу. Кожний атом поглинає один або більше символів у рядку, і або провалює збіг, або дозволяє патернові продовжити зіставлення наступним атомом.

Зворотне посилання – \1, \2

Дає збіг з попереднім збігом-підрядком, захопленим групою захоплення.

Група захоплення – (...)

Дає збіг з підпатерном та запам'ятовує інформацію про збіг.

Клас символів – [...], [^...]

Дає збіг з будь-яким символом, що присутній або відсутній в наборі символів. Коли ввімкнено позначку v, такий атом також може використовуватися для пошуку в рядках скінченної довжини.

Екранування класу символів – \d, \D, \w, \W, \s, \S

Дає збіг з будь-яким символом, що присутній або відсутній в наперед визначеному наборі символів.

Екранування символу – \n, \u{...}

Дає збіг з символом, що може бути незручно виразити у його літеральній формі.

Літеральний символ – a, b

Дає збіг з конкретним символом.

Модифікатор – (?ims-ims:...)

Перезадає налаштування позначок для конкретної частини регулярного виразу.

Іменоване зворотне посилання – \k<name>

Дає збіг з попередньо знайденим підпатерном, захопленим за допомогою іменованої групи захоплення.

Іменована група захоплення – (?<name>...)

Дає збіг з підпатерном і зберігає інформацію про нього. Така група пізніше може бути ідентифікована за допомогою імені, а не індексу в патерні.

Незахоплювальна група – (?:...)

Дає збіг з підпатерном, не запам'ятовуючи інформацію про нього.

Екранування класу символів Unicode – \p{...}, \P{...}

Дає збіг з набором символів, визначених властивістю Unicode. Коли ввімкнено позначку v, такий атом також може використовуватися для пошуку в рядках скінченної довжини.

Джокер – .

Дає збіг з будь-яким символом, окрім символів кінця рядка, якщо не задано позначку s.

Інші можливості

Ці можливості самі собою не задають жодного патерну, але використовуються для компонування патернів.

Диз'юнкція – |

Дає збіг з будь-чим із набору варіантів, розділених символом |.

Квантор – *, +, ?, {n}, {n,}, {n,m}

Дає збіг з атомом задану кількість разів.

Екранувальні послідовності

Екранувальними послідовностями в регулярних виразах звуть будь-якого роду запис, сформований символом \, після якого – один або більше символів. Такі послідовності можуть мати дуже різні цілі, залежно від того, що стоїть після \. Нижче наведений список всіх дійсних "екранувальних послідовностей":

Символ \, після якого стоїть 0, а далі будь-який інший цифровий символ, стає історичною вісімковою екранувальною послідовністю, котра заборонена в режимі з урахуванням Unicode. \, після якої стоїть будь-яка інша цифрова послідовність, стає зворотним посиланням.

Крім цього, після \ можуть стояти певні нелітерні та нецифрові символи, у випадку чого екранувальна послідовність завжди є екрануванням символу, що відповідає самому екранованому символу:

• \$, \(, \), \*, \+, \., \/, \?, \[, \\, \], \^, \\{, \|, \\}: валідні завжди
• \-: дійсний лише всередині класів символів
• \!, \#, \%, \&, \,, \:, \;, \<, \=, \>, \@, \`, \~: валідні лише всередині класів символів режиму v

Решта символів ASCII, а саме – символ пробілу, ", ', _ та будь-які літерні символи, не згадані вище, не є дійсними екранувальними послідовностями. У режимі з урахуванням Unicode екранувальні послідовності, що не належать до перелічених вище, стають екрануваннями ідентичності: вони відповідають символові, що стоїть після зворотної скісної риски. Наприклад, \a відповідає символові a. Така поведінка обмежує змогу запроваджувати нові екранувальні послідовності, не спричиняючи проблем зворотної сумісності, і тому заборонена в режимі з урахуванням Unicode.

Специфікації

Сумісність із браузерами

Дивіться також

• Посібник Регулярні вирази
• RegExp