नियमित अभिव्यक्तियों की सूक्ष्मता। भाग 1: चरित्र वर्गों के अंदर और बाहर मेटाचैकर्स

ज्वाइन करने के बजाय

हर कोई जिसने कम से कम एक बार कार्यक्रम लिखा है, वह जानता है कि दुनिया में इस तरह के चमत्कार नियमित रूप से होते हैं। कुछ लोग उनके बिना एक कदम भी नहीं चल सकते हैं, कुछ उनसे आग की तरह डरते हैं, लेकिन नियमित अभिव्यक्ति के बिना आधुनिक प्रोग्रामिंग भाषा की कल्पना करना बेहद मुश्किल है।



जब कोई नौसिखिया प्रोग्रामर पहली बार नियमित अभिव्यक्ति के बारे में पता करता है तो क्या होता है? सबसे अधिक बार, उनके साथ पहला परिचित "वैज्ञानिक प्रहार" विधि का उपयोग करके होता है, क्योंकि एक व्यक्ति को आमतौर पर संबंधित क्षेत्र में या तो ज्ञान नहीं होता है या "यह कैसे काम करता है" यह समझ में आता है। ऐसा क्यों हो रहा है?







यह कोई रहस्य नहीं है कि नियमित अभिव्यक्ति का उल्लेख करते समय कई लोग पर्ल भाषा का उल्लेख करते हैं। और व्यर्थ नहीं! पर्ल उन कुछ भाषाओं में से एक है जहाँ नियमित रूप से मूल भाषा निर्माणों के वाक्यविन्यास स्तर पर भाव तय किए जाते हैं। उसी समय, पर्ल एक ऐसी भाषा के रूप में प्रसिद्ध हो गए, जिनके कार्यक्रमों को लिखने के 5 मिनट बाद समझना बहुत मुश्किल है। एक-दो-चरित्र कार्यों और चर की प्रचुरता अपना काम करती है। पाठ एक कार्यक्रम की तुलना में इमोटिकॉन्स के एक सेट की तरह अधिक है। खासकर अगर यह नियमित अभिव्यक्ति का उपयोग करता है।



लेकिन मैं विषय से भटकने लगा था, और शुरू करने के लिए समय नहीं था। इसलिए, मैं मानूंगा कि आप पहले से ही जानते हैं कि नियमित अभिव्यक्ति क्या है और उनका उपयोग क्यों किया जाता है। आइए अधिक दिलचस्प चीजों पर चलते हैं।

नियमित अभिव्यक्ति बोलियाँ

ऐतिहासिक रूप से, नियमित अभिव्यक्ति शुरू में (और अब भी) सख्त मानकीकरण के बिना विकसित हुई है। बेशक, इसने वाक्य रचना और शब्दार्थ में कई अंतरों को जन्म दिया। फिलहाल, नियमित अभिव्यक्तियों का वाक्य-विन्यास बहुत समान है, आप यह भी कह सकते हैं कि यह करीब है, लेकिन अभी भी मतभेद हैं।



बेशक, मानकीकरण जैसे महत्वपूर्ण मामले में, सर्वशक्तिमान POSIX पूरा नहीं हुआ था। इसके अलावा, नियमित अभिव्यक्ति सिर्फ एक यूनिक्स-वातावरण में उत्पन्न होती हैं।



POSIX नियमित अभिव्यक्तियों के वाक्यविन्यास और शब्दार्थ का वर्णन करता है। दो मुख्य मानक हैं: POSIX BRE (बेस रेगुलर एक्सप्रेशंस) और POSIX ERE (एक्सटेंडेड रेगुलर एक्सप्रेशंस)। वे भिन्न होते हैं, जैसा कि नाम का अर्थ है, इसमें दूसरा मानक पहले का विस्तार करता है। मैं विस्तार से वर्णन नहीं करूंगा कि प्रत्येक मानकों में क्या शामिल है, और विशेष रूप से उन में क्या शामिल है के शब्दार्थ, क्योंकि यह हमेशा विकिपीडिया पर देखा जा सकता है। मैं केवल यह कह सकता हूं कि इस तरह के मानक होने के बावजूद, नियमित अभिव्यक्ति इंजन के डेवलपर्स पूरी तरह से उनका पालन करने की जल्दी में नहीं हैं। विशेषकर शब्दार्थ में! और अच्छे कारण हैं।



तो, विभिन्न भाषाओं और उपयोगिताओं में नियमित अभिव्यक्ति बोलियों के बीच अंतर क्या है? यह मुख्य रूप से, निश्चित रूप से, मेटाचैकर्स (ऐसे वर्ण हैं जिनकी व्याख्या एक विशेष तरीके से की जाती है, न कि उनके शाब्दिक अर्थ के रूप में)।



उदाहरण के लिए, एक बहुत ही आमतौर पर उपयोग किए जाने वाले मेटाचैकर पर विचार करें .



(डॉट)। संभवतः हर कोई जो कभी भी नियमित अभिव्यक्ति का सामना कर चुका है, जानता है कि इस मेटाचैकर का अर्थ है "कोई भी चरित्र।" हां, लेकिन उसका मतलब यह नहीं है! मेटाचैकर "डॉट" की व्याख्या "रेखा के अंत को छोड़कर किसी भी चरित्र" के रूप में की जाती है। लेकिन फिर, हर जगह नहीं। कुछ भाषाओं में, डिफ़ॉल्ट व्याख्या यह है, दूसरों में यह सिर्फ "किसी भी चरित्र" है, कई में इस और उस व्याख्या के लिए मोड हैं।



अगले लगातार अंतर कोष्ठक की व्याख्या में है। घुंघराले, गोल, चौकोर। कहीं कोष्ठक उद्धृत करने की आवश्यकता है, कहीं नहीं। उदाहरण के लिए, .NET, Java में, आपको कोष्ठक को उद्धृत करने की आवश्यकता है, क्योंकि ये मेटाचट्रैक्टर्स हैं। Grep उपयोगिता को डिफ़ॉल्ट रूप से उद्धरण देने की आवश्यकता नहीं है! और समूहों और इतने पर की कार्यक्षमता का उपयोग करने के लिए, आपको फ़ॉर्म \(\)



अभिव्यक्तियों का उपयोग करने की आवश्यकता है।

चरित्र वर्गों के अंदर मेटाचक्रर्स

और अभी हम मेटाचैटर्स के बारे में नहीं भूले हैं, प्रतीक वर्गों पर विचार करें। शुरुआती लोगों के लिए एक बहुत ही सामान्य गलती चरित्र वर्गों के अंदर मेटाचैकर्स को उद्धृत करना है। ऐसी गलती का अक्सर कोई परिणाम (अक्सर) नहीं होता है, लेकिन यह स्पष्ट रूप से दिखाता है कि एक व्यक्ति पूरी तरह से समझ नहीं पाता है कि प्रतीक कक्षाएं कैसे काम करती हैं।



चरित्र वर्ग का सामना किसी भी व्यक्ति द्वारा किया जाता था जो एक नियमित अभिव्यक्ति का उपयोग करते थे। मुझे उस पर यकीन है। उन लोगों के लिए जो यह क्या है भूल गए हैं, मुझे आपको याद दिलाना है - अगर हम शौकिया भाषा बोलते हैं तो वर्ण वर्ग वर्ग कोष्ठक के भीतर अनुक्रम हैं। उदाहरण: [abc0-9]



- उस स्थान पर जहां वर्ण वर्ग संयोग में है, वर्ण a या b, या c, या 0 से 9. तक का अंक मौजूद होना चाहिए। सब कुछ सरल है।



लेकिन इतना आसान नहीं जितना हम चाहेंगे। याद रखने वाली पहली बात: एक चरित्र वर्ग एक अलग दुनिया है! जैसे ही आप वर्ग कोष्ठक के अंदर आते हैं, खेल के सभी नियम बदल जाते हैं। कुछ मेटाचैकर ऐसे होते हैं, दूसरों के शब्दार्थ मौलिक रूप से बदलते हैं। निराधार न होने के लिए मैं उदाहरण दूंगा:

• मेटाचैकर ^
  
  
  
  - वर्ण वर्ग के बाहर, मेटाचैकर का अर्थ "लाइन की शुरुआत" या ऑपरेटिंग मोड के आधार पर "तार्किक लाइन की शुरुआत" है। और चरित्र वर्ग के अंदर, यह मेटाचैकर चरित्र वर्ग के विलोम को दर्शाता है। ध्यान दें, मैंने यह नहीं कहा "संयोग नहीं", क्योंकि यह नहीं है। जब हम एक चरित्र वर्ग को उल्टा करते हैं, तो इसके काम के शब्दार्थ "एक ऐसा चरित्र होना चाहिए जो चरित्र वर्ग में नहीं है", लेकिन बिल्कुल नहीं "ऐसा चरित्र नहीं होना चाहिए जो चरित्र वर्ग में हो"। शब्दार्थ में अंतर बहुत बड़ा है। उदाहरण के लिए, स्ट्रिंग abc
  
  
  
  लिए रेगेक्स ^abc[^abc]
  
  
  
  पर विचार करें। पहले मामले (सही व्याख्या) में कोई मेल नहीं है! क्योंकि "खाली" एक प्रतीक के साथ मेल नहीं खा सकता है। और दूसरे मामले में, एक मैच होना चाहिए, क्योंकि वहां कोई चरित्र नहीं है (पंक्ति के 4 वें स्थान पर)।
  
  
  
  लेकिन मैं विचलित था। तो, एक ही मेटाचैकर की व्याख्या पूरी तरह से अलग-अलग तरीके से की जाती है, जहां यह स्थित है: चरित्र वर्ग में या उसके बाहर। लेकिन यह सब नहीं है! वर्ण वर्ग का व्युत्क्रम केवल तब होता है, जब प्रारंभिक वर्ग ब्रैकेट के बाद मेटाचैकर ^
  
  
  
  पहला वर्ण होता है! यानी चरित्र वर्ग [abc^]
  
  
  
  अब कोई उलटा नहीं है और कवर सिर्फ एक आवरण है।
• रूपक -
  
  
  
  - एक चरित्र वर्ग के बाहर सिर्फ एक हाइफ़न है। वह कोई रूपक नहीं है। लेकिन चरित्र वर्ग के अंदर, यह एक सीमा को दर्शाता है। लेकिन एक अति सूक्ष्म अंतर है। यदि यह प्रतीक कोष्ठक खोलने के तुरंत बाद आता है, तो स्वाभाविक रूप से यह एक सीमा को इंगित नहीं कर सकता है। और फिर यह व्याख्या की जाती है ... सिर्फ एक हाइफ़न। एक चरित्र वर्ग के बाहर की तरह।
  
  
  
  एक मेटाचैकर के साथ एक और सामान्य गलती -
  
  
  
  - एक चरित्र वर्ग में गलत सीमा निर्धारित करना। उदाहरण के लिए, [aZ]
  
  
  
  , यहां सब कुछ स्पष्ट है - सभी लोअरकेस और कैपिटल लैटिन अक्षरों के बजाय, हम सभी वर्णों को 0x61 से ... 0x5A (ASCII एन्कोडिंग में) प्राप्त करते हैं। यानी खाली सेट (कुछ बोलियों में हमें केवल अक्षर ए और जेड मिलते हैं)। इसलिए, फिर से हाइफ़न के शब्दार्थ को जानना बहुत महत्वपूर्ण है - वर्ण जिनके कोड रेंज की शुरुआत और अंत के कोड के बीच स्थित हैं, समावेशी, रेंज में आते हैं। मैंने ऐसी भाषाएं नहीं देखी हैं जो एक विशेष तरीके से उदाहरणों की व्याख्या करती हैं (उदाहरण के लिए, वर्ण वर्ग \w
  
  
  
  या \d
  
  
  
  )।
  
  

अन्य मेटाचैकर मैं अंतरिक्ष की कमी के लिए विचार नहीं करेगा। अब यह स्पष्ट हो जाता है कि क्यों लिखना अनावश्यक है [\.\(\)\{\^]



। [\.\(\)\{\^]



। सिर्फ इसलिए कि एक चरित्र वर्ग के अंदर ये रूपक अब ऐसे नहीं हैं। और उन्हें "बस के मामले में" उद्धृत करते हुए, आप खुद को दिखाते हैं कि आप वास्तव में नहीं समझते हैं कि अंदर क्या हो रहा है।



लेख अप्रत्याशित रूप से बड़ा है। मैं नियमित अभिव्यक्तियों के कार्यान्वयन में अंतर के बारे में लिखना चाहता था, कार्यान्वयन के शब्दार्थ में अंतर, प्रतीक वर्गों की व्याख्या में अंतर और सामान्य रूप से उनकी व्याख्या की जाती है। इसलिए, मुझे लगता है कि अब मैं इस तरह के लेख को छोड़ दूंगा, और यदि आप इसे पसंद करते हैं, तो मैं निम्नलिखित लिखूंगा।



जेफरी फ्रीडल, मास्टेरिंग रेगुलर एक्सप्रेशंस नामक पुस्तक पर आधारित है।

भाग २