V. Пятая группа вопросов: Регулярные выражения

Представление символов.

Символ \, непосредственно предшествующий одному из метасимволов, отменяет специальное значение последнего. Если же символ \ непосредственно предшествует обычному символу, то, напротив, такая последовательность символов во многих случаях приобретает специальное значение. Подобного рода последовательности будем называть метапоследовательностями, Метапоследовательности в регулярном выражении служат, в основном, для представления отдельных символов, классов символов или определенного места в строке, дополняя и иногда дублируя функции метасимволов. Рассмотрим существующие метапоследовательности.

1.Сокращенные обозначения символов: \n, \t, \e ...

Представление	Символ	Обозначение	Расшифровка
\t	Табуляция	HT	Horizontal tabulation
\v	Вертикальная табуляция	VT	Vertical tabulation
\r	Возврат каретки	CR	Carriage return
\n	Перевод строки	LF	Line feed
\f	Конец страницы	FF	Form feed
\a	Звонок	BEL	Bell character
\e	Escape-символ	ESC	Escape character
\b	Забой Должен находиться внутри квадратных скобок (иначе интерпретируется как граница слова).	BS	Backspace

2.Восьмеричные коды: \код

\nnn — представляет символ, восьмеричный код которого равен nnn. Например, последовательность \120\145\162\154 представляет слово Perl (\120 — восьмеричный код буквы Р, \145 — буквы е, \162 — буквы r, \154 — буквы l).

Восьмеричные коды: \число

Реализации, поддерживающие восьмеричную запись (т. е. запись чисел в системе счисления с основанием 8), в общем случае позволяют задавать байты и символы по их кодам, состоящим из двух или трех цифр. Например, \015\012 соответствует последовательности ASCII-символов CR/LF. Восьмеричные коды позволяют легко вставлять в выражения символы, которые трудно вставить другим способом. Например, в Perl можно использовать для ASCII-символа Escape обозначение \e, но в awk такая возможность отсутствует. Поскольку в awk поддерживаются восьмеричные коды, символ Escape можно вставить непосредственно в виде ASCII-кода: \033.

В некоторых реализациях предусмотрен особый случай - совпадение \0 с нуль-байтом. В других реализациях поддерживаются все восьмеричные коды, состоящие из одной цифры (как правило, только в том случае, если при этом не поддерживаются обратные ссылки вида \1). При возникновении конфликтов неоднозначная последовательность обычно интерпретируется как обратная ссылка, а не как восьмеричный код. Некоторые реализации (как, например, java.util.regex) допускают восьмеричные коды из четырех цифр; это сделано для соблюдения правила, по которому любой восьмеричный код должен начинаться с 0.

Вероятно, вас интересует, как интерпретируются недопустимые последовательности вида \565 (8-разрядные восьмеричные коды лежат в интервале от \000 до \377). Похоже, половина реализаций оставляет их в виде значения, выходящего за пределы байта (которое может совпасть с расширенным символом при поддержке Юникода), а другая половина урезает их до одного байта. В общем случае рекомендуется ограничиваться восьмеричными кодами из интервала до \377.

3. Шестнадцатеричные коды, Юникод: \xкод, \x{код}, \uкод, \Uкод …

\xnn — представляет символ, шестнадцатеричный код которого равен nn. Слово Perl, например, представляется последовательностью \x50\x65\x72\x6C.

По аналогии с восьмеричными кодами во многих программах существует возможность ввода кодов в шестнадцатеричной системе счисления (с основанием 16) при помощи префиксов \х, \и и \U. Например, последовательность \xOD\xOA соответствует последовательности ASCII-символов CR/LF.

Наряду с выбором синтаксиса необходимо учитывать, сколько цифр может содержать код, а также возможно ли его заключение в скобки (или это является обязательным требованием).

4. Управляющие символы: \cсимвол

Во многих диалектах поддерживается последовательность \ссимвол предназначенная для идентификации управляющих символов с кодами, меньшими 32 (некоторые диалекты допускают более широкий интервал). Например, \cH совпадает с символом Control+H, представляющим в ASCII клавишу Backspace, a \cJ совпадает с символом перевода строки ASCII (этот символ часто представляется метасимволом \n, но в зависимости от платформы также используется метасимвол \r).

Системы, поддерживающие эту конструкцию, различаются в технических деталях. Вы всегда можете с полной уверенностью использовать прописные английские буквы, как в приведенных выше примерах. В большинстве реализаций также допускается использование строчных английских букв, хотя они, например, не поддерживаются пакетом регулярных выражений для Java от Sun. Точная интерпретация неалфавитных символов практически полностью зависит от диалекта, поэтому я рекомендую использовать в конструкции \с только буквы верхнего регистра.

Отмечу, что данная возможность также поддерживается в GNU Emacs, но при этом используется громоздкая метапоследовательность ?\^символ (например, ?~H означает забой).

Символьные классы и аналогичные конструкции.

1. Обычные классы: [a-z] и [^a-z].

В современных диалектах предусмотрено несколько способов определения набора символов, разрешенных в некоторой позиции регулярного выражения, однако простые символьные классы поддерживаются всеми программами. тасимволов изменяются в зависимости от того, принадлежат они символьному классу или нет. Например, * никогда не является метасимволом в символьном классе, a^«– » в общем случае интерпретируется как метасимвол. Интерпретация некоторых метапоследовательностей (такие как \b) в символьном классе иногда отличается от их интерпретации за пределами класса.

В большинстве систем в общем случае порядок перечисления символов в классе несущественен, а использование интервалов вместо списка не влияет на скорость обработки (т.е. [0-9] ничем не отличается от [9081726354]). Тем не менее некоторые реализации (например, пакет регулярных выражений для Java от Sun) не обеспечивают полной оптимизации классов, поэтому в общем случае рекомендуется по возможности использовать интервалы, которые обычно работают быстрее.

Символьный класс всегда определяет позитивное условие. Другими словами, чтобы совпадение было успешным, символ в тексте должен совпасть с одним из перечисленных символов. Для инвертированных символьных классов совпавший символ должен быть одним из символов, не входящих в класс. Инвертированный символьный класс удобно рассматривать как «символьный класс с инвертированным списком» (обязательно ознакомьтесь с предупреждением об инвертированных символьных классах и точке в следующем разделе). Раньше конструкция вида [~LMNOP] была эквивалентной [\x00-KQ-\xFF]. В восьмиразрядных системах эта эквивалентность сохраняется и до сих пор, но в таких системах, как Юникод, в которых коды символов превышают 255 (\xFF), инвертированные классы вида [~LMN0P] включают многие тысячи символов кодировки - все, за исключением l_, M, N, O и Р.

При использовании интервалов необходимо хорошо знать кодировку, в которой определяется интервал. Например, интервал [a-Z] с большой вероятностью задан ошибочно и уж заведомо не ограничивается алфавитными символами. Одним из вариантов задания набора алфавитных символов является конструкция [a-zA-Z] (по крайней мере, для кодировки ASCII).

2. Почти любой символ: точка

В одних программах точка является сокращенным обозначением символьного класса, совпадающего с любым возможным символом, а в других - с любым символом, кроме символа новой строки. Это тонкое различие играет важную роль в программах, допускающих наличие нескольких логических строк в целевом тексте. В частности, приходится учитывать следующие аспекты:

· В некоторых системах с поддержкой Юникода (например, в пакете регулярных выражений для Java от Sun) точка в общем случае не совпадает с завершителями строк Юникода.

· Совпадение для точки может изменяться в зависимости от режима поиска (^ 146).

· В стандарте POSIX сказано, что точка не совпадает с нуль-символом (т. е. символом, код которого равен нулю), но большинство сценарных языков допускает включение нуль-символов в текст (и точка совпадает с этими символами).

Дата добавления: 2018-04-04; просмотров: 431; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 10 11 12 13 141516 17 18 19 Следующая ⇒

Мы поможем в написании ваших работ!