PHP kurs: Uvod u regularne izraze

Bez obzira na prirodu projekta na kome radite, pre ili kasnije doći ćete u situaciju da morate manipulisati nekim tekstualnim podacima. Bilo da je u pitanju jednostavna validacija forme ili pak parsovanje podataka sa nekog live sajta, regularni izrazi (eng. Regular Expressions) su oruđe kojim morate ovladati da bi ste bili uspešni u tome.

Autor: Dragan Dinić

Nivo teksta: Srednji 

O važnosti regularnih izraza dovoljno govori činjenica da je podrška za njih prisutna u svim modernim programskim jezicima (u Perlu su čak deo samog jezika), a možete ih koristiti i u većini naprednih tekst editora, alatima za pretragu itd.

Potpuno ovladavanje regularnim izrazima nije nešto što možete "odraditi" preko noći, šta više, tema je toliko opširna da je o njoj napisano i nekoliko knjiga. Cilj ovog tutorijala je da vas upozna sa osnovnim mogućnostima regularnih izraza kako biste bili u mogućnosti da ih efikasno koristite.

Šta su to regularni izrazi

Regularni izraz praktično predstavlja poseban skup znakova (string) u kome se odgovarajućom sintaksom (eng. pattern) taj niz upoređuje sa nekim drugim skupom znakova. Može se koristiti za pretragu unutar nekog teksta, izvlačenje određenog podstringa, validaciju (e-maila na primer) i sl. Možda sve ovo zvuči komplikovano, ali će stvar biti mnogo jasnija, čim krenemo sa nekoliko primera.

PHP podržava takozvane POSIX kao i Perl Kompatibilne regularne izraze. Iako među njima postoje izvesne razlike, osnovna sintaksa je u suštini ista, tako da ćemo sintaksu predstavljenu ovde koristiti i sa posix i sa perl kompatibilnim funkcijama. Inače, iako su primeri u PHP-u, oni se uz manje izmene mogu prilagoditi i drugim programskim jezicima, jer je sintaksa regularnih izraza manje više ista.

Sintaksa Regularnih Izraza

Prva dva specijalna karaktera sa kojima ćemo početi su '^' i '$'. Oni označavaju početak, odnosno kraj stringa. Tako na primer:

"^foo" - proverava da li string počinje sa "foo"
"foo$' - proverava da li se string završava sa "foo"

Recimo ako imamo string "Mali Perica uci PHP", rečnikom PHP-a to bi izgledalo ovako:

<code>
<?php

$string = "Mali Perica uci PHP";

// Vraca true ako se string "Perica" nalazi u promenljivoj $string
ereg("Perica", $string);

// Vraca true ako $string pocinje sa "Mali"
ereg("^Mali", $string);

// Vraca true ako se $string zavrsava sa "PHP"
ereg("PHP$", $string);

// Vraca true ako string sadrzi tacnu frazu "Mali Perica uci PHP"
ereg("^Mali Perica uci PHP$", $string);
?>
</code>

U kodu gore koristili smo ereg f-ju, koja spada u grupu Posix kompatibilnih f-ja. Obratite pažnju da je ona 'case-senzitivna' (za case-insensitive koristite funkciju eregi).

Simboli '?', '+', '*' i {} označavaju broj pojavljivanja nekog karaktera u stringu:

? - Karakter koji prethodi znaku '?' može se pojaviti jednom ili nijednom

(za pattern "ab?" odgovaralo bi "a","ab")

* - Karakter koji prethodi znaku '*' može se pojaviti <strong>nijednom</strong> ili više puta (za pattern "ab*" odgovaralo bi "a", "ab", "abb", "abbb", ...)

+ - Karakter koji prethodi znaku '+' može se pojaviti <strong>jedanput</strong> ili više puta
(za pattern "ab*" odgovaralo bi "ab", "abb", "abbb", ...)

{n} - Karakter koji prethodi znaku {n} može se pojaviti tačno n puta
(za pattern "ab{3}" odgovaralo bi "abbb")

{n, } - Karakter koji prethodi znaku {n, } može se pojaviti najmanje n puta
(za pattern "ab{3,}" odgovaralo bi "abbb", "abbbb", "abbbb", ...)

{n,m} - Karakter koji prethodi znaku {n,m} može se pojaviti n do m puta.
(za pattern "ab{2,4}" odgovaralo bi "abb", "abbb", "abbbb")

Pored broja pojavljivanja, mozemo definisati i tačan skup znakova koje string sme da sadrži. Na primer:

'.' - Bilo koji karakter
[abc] - Samo slova a, b i c
[a-z] - Sva mala slova od a do z
[A-Z] - Sva velika slova od A do Z
[a-zA-z] - Sva slova, mala ili velika
[0-9] - Svi brojevi od 0 - 9
[a-zA-Z0-9] Svi alfanumericki karakteri

Unutar zagrada [] simbol '^' koristimo kao negaciju, tako na primer, ako želimo da naš string ne sadrži brojeve koristili bi nešto poput:
[^0-9].

Pored skupova znakova koje sami definišemo, postoje već predefinisani skupovi znakova, a to su:

[[:alnum:]]  - Bilo koji alfanumerički karakter (isto što i [a-zA-Z0-9])
[[:alpha:]]  - Bilo koje slovo (isto što i [a-zA-Z])
[[:upper:]]  - Bilo koje veliko slovo (isto što i [A-Z])
[[:lower:]]  - Bilo koje malo slovo (isto što i [a-z])
[[:blank:]]  - Tab i space karakter (isto što i [\t ])
[[:space:]]  - Bilo koji space karakter
[[:digit:]]  - Bilo koji broj (isto što i [0-9])
[[:xdigit:]] - Bilo koji heksadecimalan broj
[[:punct:]]  - Bilo koji od znakova ".,"'?!;:"
[[:print:]]  - Svi printabilni karakteri
[[:graph:]]  - Svi printabilni karakteri (osim spaceova)

I poslednje ali ne i najmanje bitno, izbor od <string>tačno
jednog</string> elementa iz definisanog skupa:
(string1|string2|...|stringn)
Na primer za pattern "(a|b)cde" stringovi "acde" i "bcde" bi bili
odgovarajući. Takođe, zagrade možemo koristiti za pravljenje
"subpatterna", poput "ba(na)+" ("bana","banana","bananana", ...).

Toliko o teoriji, a sada da vidimo kako regularne izraze upotrebiti u
praksi, za recimo validaciju forme.

<code>
<?php

// validacija korisnickog imena
// dozvoljavamo samo korisnicko ime koje sadrzi alfanum i donju crtu
// minimum 6, max 20 karaktera
$found = preg_match("/^[a-zA-Z0-9_]{6,20}$/", $username);

if(!$found)
{
   echo "Korisnicko ime nije validno";
}

// validacija telefona
// prihvatamo samo brojeve i karaktere iz skupa [+/()]
//obratite paznju na koriscenje escape karaktera "\" za '.', '/', '(' i ')'
$found = preg_match("/^[0-9+\-\.\/\(\) ]{6,30}$/", $phonenum);

if(!$found)
{
   echo "Telefon nije validan";
}

//validacija datuma u mysql formatu (YYYY-MM-DD)
$found = preg_match("/^[0-9]{4}-[0-9]{2}-[0-9]{2}$/", $datum);

if(!$found)
{
   echo "Datum nije validan";
}

// validacija usa zip koda
// USA zipocode je u formatu xxxxx ili xxxxx-xxxx
// gde je x bilo koji ceo broj
// na primer 12345 ili 12345-1234

$found = preg_match("/^([0-9]{5}|([0-9]{5}-[0-9]{4}))$/", $datum);

if(!$found)
{
   echo "Zipcode nije validan";
}

// jednostavna validacija emaila
$found = preg_match("/^[a-zA-Z0-9\.\-]+@[a-zA-Z0-9\.\-]+$/", $datum);

if(!$found)
{
   echo "e-mail nije validan";
}
?>
</code>

Uskoro sledi nastavak, sa objašnjenjem na praktičnom primeru. Konkretno, bićete u prilici da pročitate case study na temu parsiranja srpskih blogova.