Regulaaravaldised

Regulaaravaldised

Regulaaravaldis on kontrolleeskiri, mida rakendatakse mingile tekstile. Iga teksti jaoks antakse vastus, kas tekst klappis avaldisega või mitte.

Kasutame regulaaravaldiste selgitamise näidetes programmi Egrep, kuna ta saab aru ka suhteliselt keerulistest regulaaravaldistest.

Toome lihtsa näite - fail kalastus:

bash$ cat kalastus
tegelane    kalade arv
Priit_______1
Mart_______12
Peeter_____45
Konstant___34
Tibu________3
Miima______12

Eraldame välja read, kus on kalade arv alla kümne. See tähendab, rea lõpus asuv kalade arv on pandud kirja ühe märgiga.

bash$ egrep "_.$" kalastus
Priit_______1
Tibu________3

Regulaaravaldis "_.$" klapib nende ridadega, mille lõpus ($) on kõrvuti alakriips ja üks suvaline märk (_.).

Regulaaravaldiste oskuslik kasutamine on oluline muuhulgas selliste programmide nagu Sed, Awk ja Procmail puhul.

Literaalsed - ja metasümbolid

Regulaaravaldis "_.$" sisaldab kahte sorti sümboleid:

• literaalsed - need, mis ise esinevad vaatlusaluses tekstis, nagu alakriips
• metasümbolid - "." kohal võib olla üks suvaline tähemärk; "$" tähistab rea lõppu.

Regulaaravaldised võeti algselt kasutusele programmis Ed, millest kasvasid välja Grep ja Sed. Piiratud metasümbolite arv, mida nimetatakse traditsiooniliseks metasümbolite hulgaks, tingis laiendatud metasümbolite hulga (ingl. k. extended metacharacters set) kasutuselevõtu. Laiendatud hulka oskavad kasutada Awk ja Egrep.

Aritmeetiliste avaldiste juures on olulised tehtemärgid. Regulaaravaldistes on põhiliseks teheteks sümbolite kõrvutiolek.

Traditsioonilised metasümbolid

• . - punkt: suvaline üks sümbol
• * - tärn: suvaline arv, sh 0 temast vasakule jäävat sümbolit
• [...] - klass: üks kantsulgude vahel olevatest sümbolitest
• ^ - katus: rea algus
• $ - dollar: rea lõpp
• \ - tagurpidi kaldkriips: varjestab talle järgneva metasümboli.

Järgnevad näited sellise teksti alusel:

bash~$ cat kohad
Tartu 1437
Helsinki 1960
Yellowstone 1903
Tokio 1990
Praha 1400
Pariis 1500

Kahekümnenda sajandi aastaarvud:

bash~$ egerp "19.." kohad

Kõik read

bash~$ egrep ".*" kohad

Kõik i või e -lõpuliste kohanimedega read:

bash~$ grep "[ie] " kohad

Kõik read kus kohanimi ei lõppe i või e tähega:

bash~$ grep "[^ie] " kohad

Klassis omab ^ märk inverteerivat tähendust, st klapivad need read, kui tühikule ei eelne i või e.

T -ga algavad viietähelise kohanimega read:

bash~$ egrep "^T.... " kohad

Sajandivahetusele vastavad kohad:

bash~$ egrep "00$" kohad

Read, milles esineb sümbol "^":

bash~$ egrep "\^" kohad

Laiendatud metasümbolite kirjeldused

Laiendatud metasümbolite hulka kuuluvad lisaks traditsioonilistele järgmised metasümbolid:

• + - pluss: üks või enam temast vasakul olevat sümbolit
• ? - küsimärk: null või üks temast vasakul olevat sümbolit
• | - toru: eelnev või järgnev regulaaravaldis
• () - sulud: grupeerib regulaaravaldisi
• {n,m} - loogad: mitu eelnevat sümbolit

Näited eelpool toodud teksti alusel: Kõik selle sajandile vastavad e -ga lõppevad kohanimed:

bash~$ egrep "e +19" kohad

Kohanimi võib olla kirjutatud kokku või sisaldada sidekriipsu:

bash~$ egrep "Jää-?äär" kohad

Võib alata C või K'ga:

bash~$ egrep "K|Columbia" kohad

Kui tavaliselt toimivad metasümbolid ühele eelnevale või järgnevale märgile, siis sulgudega on võimalik nad panna toimima mitmele:

bash~$ egrep "(Columbia)|(Kolumbia)" kohad

Võimalik on näidata, mitu sümbolit lähevad arvesse:

Neli kuni seitse 'a' -d:

bash~$ egrep -E "a{4,7}" kohad

Neli või enam 'a' -d:

bash~$ egrep -E "a{4,}" kohad

Täpselt neli 'a' -d:

bash~$ egrep -E "a{4}" kohad

Null kuni neli 'a' -d:

bash~$ egrep -E "a{,4}" kohad

Perl sarnaste avaldiste kasutamine

Logist sarnase rea tabamiseks

Jan 10 23:49:46 post-relay postfix/smtp[15560]: 5A9CA5FD4E: to=<imre@auul.pri.ee> ...

sobib öelda nt

$ grep -P "postfix/smtp\[[0-9]+\]: [0-9,A-Z]+:" /var/log/mail.log

Mõned regexpi mustrid

as 112233 sdf
asd 0.0232 ads

Muster:
\s(0\.)?[0-9]+\s

Selgitus:

\s - tühik
(0\.)? - luba numbrijada ees 0.
[0-9]+ - vähemalt 1 number 

Rida httpd logist

OUTPUT="HTTP OK HTTP/1.0 200 OK - 3376 bytes in 0.093 seconds" 

Selle analoogia põhjal proovi avaldist:

"output:tm:/- (\\d+) bytes/" "output:tma:/in =  (\\d+\\.?\\d*) seconds/"

Nimelt, kuna originaalis ilmselt on kirjutatud \\d, siis tähendab see, et \ tuleb veel topelt varjestada, ehk \\, millest võis minu esialgne rida mitte töötada. Teine asi on nende sulgudega - sulgude sees olev regexi osa on see, mis pannakse väljundisse, seega peab sulge õigesti panema.

Kasulikud lisamaterjalid

• Sed
• Awk
• Procmail

© EENet 2000