Синтаксис регулярних виразів

Регулярні вирази в .NET

Програми постійно обробляють текст: перевіряють введені телефони та адреси e-mail, шукають помилки в журналах, витягують суми з чеків, перетворюють дати з одного формату в інший. Методи класу string розв’язують лише найпростіші з цих задач. Contains і IndexOf шукають конкретний фрагмент, Split ділить рядок за конкретними символами. Але як знайти в тексті «усі номери телефонів», якщо кожен записано по-своєму: +380671234567, 050-123-45-67?

Регулярний вираз (regular expression, скорочено regex) – це шаблон (pattern), який описує множину рядків: «плюс, потім цифри й дефіси, щонайменше десять символів». Рушій регулярних виразів (regex engine) шукає в тексті фрагменти, що відповідають шаблону, – збіги (matches). У .NET усі типи для роботи з регулярними виразами розміщено в просторі імен System.Text.RegularExpressions, головний із них – клас Regex (https://learn.microsoft.com/dotnet/standard/base-types/regular-expressions).

using System.Text.RegularExpressions;

string text = "Телефони: +380671234567, 050-123-45-67; рік 2026.";
foreach (Match m in Regex.Matches(text, @"\+?\d[\d-]{8,}\d"))
    Console.WriteLine(m.Value);

Шаблон \+?\d[\d-]{8,}\d читається так: необов’язковий плюс, цифра, щонайменше вісім цифр або дефісів, цифра. Число 2026 має лише чотири цифри, тому не підходить:

+380671234567
050-123-45-67

Регулярні вирази – окрема маленька мова зі своїм синтаксисом. Її діалекти в різних мовах програмування дуже схожі, тому шаблони з цієї лекції з невеликими змінами працюють і в Java, Python чи JavaScript. Далі розглядається діалект .NET; повний довідник елементів мови – https://learn.microsoft.com/dotnet/standard/base-types/regular-expression-language-quick-reference.

Запис шаблонів у коді C#

Шаблони містять багато зворотних скісних рисок \, а в звичайному рядку C# цей символ починає керувальну послідовність (\n, \t). Тому шаблон \d+\.\d+ у звичайному рядку доведеться записати як "\\d+\\.\\d+". Зручніше використовувати два інші види рядкових літералів:

• буквальний рядок (verbatim string) @"\d+\.\d+" – зворотна риска в ньому звичайний символ, а лапку записують двічі: @"<a href=""x"">";
• необроблений рядковий літерал (raw string literal) у потрійних лапках – зручний, коли шаблон містить лапки або займає кілька рядків (https://learn.microsoft.com/dotnet/csharp/language-reference/tokens/raw-string).

string a = "\\d+\\.\\d+";         // звичайний рядок
string b = @"\d+\.\d+";           // буквальний рядок, a == b
string link = """<a href="(?<url>[^"]+)">""";   // raw string

Visual Studio розпізнає рядок-шаблон, переданий у методи Regex, розфарбовує його елементи та пропонує підказки для конструкцій на кшталт \p{ чи (?< (рис. 2.1).

Рис. 2.1. Підсвічування та підказки регулярних виразів у редакторі Visual Studio

Символи та класи символів

Більшість символів шаблону означають самих себе: шаблон грн знаходить слово «грн». Особливе значення мають лише метасимволи \ ^ $ . | ? * + ( ) [ ] { }. Щоб знайти метасимвол як звичайний символ, його екранують зворотною рискою: \. – крапка, \+ – плюс, \( – дужка.

Клас символів (character class) відповідає одному символу з деякої множини (табл. 2.1). Множину записують у квадратних дужках: [aeiou] – одна з голосних, [0-9] – цифра, [A-Za-z] – латинська літера. Знак ^ одразу після [ заперечує клас: [^0-9] – будь-який символ, крім цифри. Усередині квадратних дужок більшість метасимволів втрачає особливе значення: [.+] – це крапка або плюс (https://learn.microsoft.com/dotnet/standard/base-types/character-classes-in-regular-expressions).

Таблиця 2.1. Основні класи символів

Запис	Відповідає одному символу
[abc], [a-z]	з переліку або діапазону
[^abc]	будь-якому, крім перелічених
.	будь-якому, крім \n (кінця рядка)
\d, \D	цифрі (категорія Unicode Nd) / не цифрі
\w, \W	символу слова: літера, цифра, _ / іншому символу
\s, \S	пробільному символу (пробіл, \t, \n, \r) / іншому символу
\p{L}, \p{Lu}, \p{Ll}	літері / великій літері / малій літері будь-якої мови
\p{P}, \P{L}	розділовому знаку / будь-якому символу, крім літери
\p{IsCyrillic}	символу з блоку Юнікоду «Кирилиця» (U+0400–U+04FF)
\t, \n, \u0456	табуляції, новому рядку, символу за кодом (і)

Unicode і українська мова

У .NET класи \d і \w працюють з усім Юнікодом, а не лише з латиницею. Це зручно: \w+ знаходить слова українською. Але є два наслідки, які треба пам’ятати:

string s = "Ґанок 2026, café ٣";
Console.WriteLine(Regex.Count(s, @"\d"));    // 5 – і арабська цифра ٣
Console.WriteLine(Regex.Count(s, "[0-9]"));  // 4
Console.WriteLine(Regex.IsMatch("п’ять", @"^\w+$"));          // False
Console.WriteLine(Regex.IsMatch("п’ять", @"^[\p{L}’']+$"));   // True

• \d відповідає цифрам будь-якої писемності. Якщо введення потім перетворюється на число, перевіряйте саме [0-9] (або вмикайте параметр RegexOptions.ECMAScript).
• Апостроф ’ (U+2019) і ' не належать до \w, тому слова «п’ять», «м’яч» для \w+ розпадаються на дві частини. Для українських слів використовують клас [\p{L}’'-], що додає апостроф і дефіс («Прем’єр-ліга»).

Звичний із підручників клас [А-Яа-я] для української не підходить: він не містить літер Ґ, Є, І, Ї (їхні коди лежать поза діапазоном), зате містить російські Ы, Э, Ъ. Правильні варіанти:

Regex.IsMatch("Їжак", "^[А-Яа-я]+$");                   // False
Regex.IsMatch("Їжак", "^[А-ЩЬЮЯҐЄІЇа-щьюяґєії]+$");     // True
Regex.IsMatch("Їжак", @"^\p{IsCyrillic}+$");            // True

Клас \p{IsCyrillic} охоплює всю кирилицю, а перелік [А-ЩЬЮЯҐЄІЇа-щьюяґєії] – лише 33 літери українського алфавіту. .NET також дозволяє віднімання класів: [а-яґєії-[ыэъ]] – малі літери кирилиці з доданими українськими та без трьох російських.

Квантифікатори, якорі та альтернація

Квантифікатори

Квантифікатор (quantifier) вказує, скільки разів може повторитися попередній елемент: символ, клас або група в дужках (табл. 2.2). Шаблон colou?r відповідає словам «color» і «colour», а \d{3,4} – трьом або чотирьом цифрам.

Таблиця 2.2. Квантифікатори

Жадібний	Лінивий	Кількість повторень
*	*?	0 або більше
+	+?	1 або більше
?	??	0 або 1 (необов’язковий елемент)
{n}	{n}?	рівно n
{n,}	{n,}?	щонайменше n
{n,m}	{n,m}?	від n до m

Квантифікатори за замовчуванням жадібні (greedy): вони захоплюють якомога більше символів, а потім за потреби «віддають» їх назад. Знак ? після квантифікатора робить його лінивим (lazy): той захоплює якомога менше символів (рис. 2.2):

string html = "<b>C#</b> і <b>.NET</b>";
Console.WriteLine(Regex.Match(html, "<b>.*</b>").Value);
// <b>C#</b> і <b>.NET</b>
foreach (Match m in Regex.Matches(html, "<b>.*?</b>"))
    Console.WriteLine(m.Value);    // <b>C#</b>, потім <b>.NET</b>

Рис. 2.2. Жадібний і лінивий квантифікатори

Часто замість лінивого квантифікатора точніше записати заперечний клас: <b>[^<]*</b> («будь-які символи, крім <»). Такий шаблон не може вийти за межі тегу і працює швидше.

Якорі

Якорі (anchors) не відповідають жодному символу, а перевіряють позицію в тексті (https://learn.microsoft.com/dotnet/standard/base-types/anchors-in-regular-expressions):

• ^ – початок рядка; $ – кінець рядка або позиція перед завершальним \n;
• \A – лише початок рядка; \z – лише кінець рядка;
• \b – межа слова: з одного боку символ \w, з іншого – не \w або край тексту; \B – не межа слова.

Без якорів метод IsMatch шукає збіг будь-де в тексті: \d+ знаходить цифри в рядку abc12345. Для перевірки формату введення шаблон обов’язково «закріплюють» з обох боків:

Regex.IsMatch("abc12345", @"\d+");        // True – цифри є
Regex.IsMatch("abc12345", @"^\d+$");      // False – не лише цифри
Regex.IsMatch("12345\n", @"^\d+$");       // True – $ перед \n!
Regex.IsMatch("12345\n", @"^\d+\z");      // False
Regex.Count("кіт, кітель, кіт.", "кіт");       // 3
Regex.Count("кіт, кітель, кіт.", @"\bкіт\b");  // 2

Шаблон ^\d+$ пропускає рядок із завершальним \n. Для валідації даних, які не пройшли через Console.ReadLine (файли, мережа, API), надійніше закінчувати шаблон на \z.

Альтернація

Вертикальна риска | означає «або»: jpg|png|gif. Альтернація має найнижчий пріоритет і ділить увесь шаблон навпіл, тому ^jpg|png$ означає «jpg на початку або png у кінці» і приймає рядок jpgX. Варіанти беруть у дужки: ^(jpg|png)$.

На рис. 2.3 показано, з яких елементів складається шаблон дати дд.мм.рррр, до якого ми ще повернемося.

Рис. 2.3. Складові регулярного виразу