Regulärer Ausdruck
Reguläre Ausdrücke (Abk. RegExp, engl. regular expression) bilden eine Familie von kompakten, leistungsfähigen formalen Sprachen mit denen sich (Unter-)Mengen von Zeichenketten beschreiben lassen. Diese Sprachen werden von vielen Texteditoren und Hilfsprogrammen (hauptsächlich unter Unix) verwendet, um bestimmte Muster zu suchen und dann durch etwas anderes zu ersetzen oder eine Aktion auszuführen. Programme, die reguläre Ausdrücke benutzen, sind z.B. egrep, sed und awk, aber auch in Programmiersprachen wie Perl, Python, Tcl, PHP und Gambas oder Texteditoren wie Emacs und vi lassen sich reguläre Ausdrücke verwenden.
Reguläre Ausdrücke werden in der Informatik, genauer in der Theorie der formalen Sprachen untersucht. Eine formale Sprache ist durch eine Menge von Zeichenketten beschrieben. In der Theorie untersucht und klassifiziert man diese Mengen. Der Mathematiker Stephen Kleene benutzte eine Notation, die er reguläre Mengen nannte. Ken Thompson nutzte diese Notation um qed (eine Vorgängerversion des Unix-Editors ed) zu bauen und später das Werkzeug grep zu schreiben. Seither implementieren sehr viele Programme Funktionen um reguläre Ausdrücke zu nutzen. Viele davon benutzen die regex-Bibliothek von Henry Spencer oder PCRE von Philip Hazel.
Mit regulären Ausdrücken kann man die Grammatik einer regulären Sprache beschreiben. Sie entspricht dem Typ 3 der Grammatiken in der Chomsky-Hierarchie. Das bedeutet, dass man damit die Morphologie einer natürlichen Sprache beschreiben kann.
Elemente, mit denen sich ein regulärer Ausdruck festlegen lässt
Eine häufige Anwendung regulärer Ausdrücke besteht darin, spezielle Zeichenketten in einer Menge von Zeichenketten zu finden. Die im Folgenden angegebene Beschreibung ist eine (oft benutzte) Konvention, um Konzepte wie Zeichenklasse, Quantifizierung, Verknüpfung und Zusammenfassen konkret zu realisieren. Hierbei wird ein regulärer Ausdruck aus den Zeichen des zugrunde liegenden Alphabets in Kombination mit so genannten Metazeichen ("[", "]", "(", ")", "?", "+", "*", "^", "$", "\") gebildet. Alle übrigen Zeichen des Alphabets stehen für sich selbst.
Zeichenliterale
Diejenigen Zeichen die direkt (wörtlich, literal) übereinstimmen müssen, werden auch direkt notiert. Je nach System gibt es auch Möglichkeiten den Oktal-, oder Hexadezimalkode anzugeben.
Beliebiges Zeichen
Ein Punkt bedeutet, dass an seinem Platz ein beliebiges Zeichen stehen kann.
Ein Zeichen aus einer Auswahl
Mit eckigen Klammern lässt sich eine Zeichenauswahl definieren. Der Ausdruck in eckigen Klammern steht dann für ein Zeichen aus dieser Auswahl (Einzeichenmuster).
Beispiele:
| [Aa] | einfaches Aneinanderreihen von Zeichen, hier entweder "A" oder "a" |
| [egh] | eines der Zeichen "e", "g" oder "h" |
| [0-6] | Bindestrich für einen Bereich, hier also eine Ziffer von "0" bis "6" |
| [A-Za-z0-9] | ein beliebiger Buchstabe oder eine beliebige Ziffer |
| [^a] | ein beliebiges Zeichen außer "a" |
Vordefinierte Zeichenklassen
Es gibt vordefinierte Zeichenklassen. Die wichtigsten sind:
| \d | eine Zahl [0-9] |
| \D | keine Zahl [^0-9] |
| \w | ein Buchstabe, eine Zahl oder der Unterstrich [a-zA-Z_0-9] |
| \W | kein Buchstabe, keine Zahl und kein Unterstrich [^\w] |
Quantifizierer (Angabe der Anzahl Wiederholungen)
Quantifizierer erlauben es, den vorherigen Ausdruck in verschiedener Vielfachheit in der Zeichenkette zuzulassen:
? : der voranstehende Ausdruck ist optional, er kann einmal vorkommen, muss es aber nicht, d.h. der Ausdruck kommt null- oder einmal vor.
+ : der voranstehende Ausdruck muss mindestens einmal vorkommen, darf aber auch mehrfach vorkommen;
* : der voranstehende Ausdruck darf beliebig oft (auch keinmal) vorkommen
{min,max} : der voranstehende Ausdruck muss mindestens min-mal und darf maximal max-mal vorkommen
Beispielsweise erlaubt "a+" ein "a" oder ein "aa" oder auch "aaaa", etc. Dagegen erlaubt "[ab]+" ein "a", "b", "aa", "baab", etc.
Ein "[0-9]{2,5}" findet "13", "28333", "123", aber nicht "0", "123123223" usw.
Gruppierung mit runden Klammern
Ausdrücke lassen sich mit runden Klammern "(" und ")" zusammenfassen: Etwa erlaubt "(abc)+" ein "abc" oder ein "abcabc", etc.
Alternativen
Man kann alternative Ausdrücke mit dem "|"-Symbol zulassen:
(ABC)|(abc)
bedeutet "ABC" oder "abc", aber z.B. nicht "Abc".
Spezielle Zeichen
Um die oft auf Textdateien bezogenen Anwendungen auf dem Computer zu unterstützen, werden in der Regel die folgenden Sonderzeichen definiert:
^ : steht für den Zeilenanfang
$ : steht für das Zeilenende
\b : steht für die leere Zeichenkette am Wortanfang oder am Wortende
\B : steht für die leere Zeichenkette, die NICHT den Anfang oder das Ende eines Wortes bildet
\< : steht für die leere Zeichenkette am Wortanfang
\> : steht für die leere Zeichenkette am Wortende
Jedes der Metazeichen kann durch das "\"-Symbol aufgehoben werden. Beispielsweise lässt der Ausdruck "(A\*)+" die Zeichenketten "A*", "A*A*", etc. zu.
Werkzeuge
- Tcl Regular Expression Visualiser
- Regex-Coach
Programm, das anschaulich demonstriert, was reguläre Ausdrücke für Auswirkungen auf einen bestimmten Text haben. Erlaubt schrittweises Abarbeiten/Matchen des Ausdrucks und vieles mehr.
Literatur
- Jeffrey Friedl: Reguläre Ausdrücke, O'Reilly, ISBN 3-897213-49-4 - sehr umfassendes Buch, das aber auch einführende Kapitel aufweist die für viele Arbeiten bereits ausreichen.
- Tony Stubblebine: Regular Expression, Pocket Reference, O'Reilly, ISBN 0-596-00415-X
- Mehran Habibi: Real World Regular Expressions with Java 1.4, Springer, ISBN 1-59059-107-0