Регулярные выражения: справочник и тренажёр

Представьте, что у вас есть большой текст и нужно найти в нём не просто слово «кот», а, например, «любое слово из трёх букв, которое начинается на „к“ и заканчивается на „т“».

Регулярные выражения (или «регэкспы») — это способ описать шаблон (правило), по которому программа будет искать, проверять или заменять текст. Простыми словами, это язык для описания текстовых шаблонов.

Представьте, что вы работаете в библиотеке и отбираете книги по очень странному критерию:

• название начинается на букву «А»;
• дальше идут ровно три цифры;
• заканчивается всё словом «роман».

Вы не перебираете все книги подряд, а пишете помощнику инструкцию: «Ищи те, где сначала буква А, потом три любые цифры, потом слово роман». Регулярное выражение — это такая же инструкция, только для компьютера.

В регулярных выражениях есть специальные символы, которые заменяют собой «что угодно» или «сколько угодно»:

• Обычные буквы (кот) — ищут просто «кот».
• Точка (.) — «любой один символ»: шаблон к.т найдёт «кот», «кит», «к%т».
• Звёздочка (*) — «ноль или больше повторений предыдущего»: ко*т найдёт «кт», «кот», «коот», «кооот».
• Квадратные скобки ([а-я]) — «любая буква из диапазона»; [0-9] — любая цифра.
• Фигурные скобки ({3}) — «ровно 3 раза»: [0-9]{3} — ровно три цифры.

1. Поиск и замена. Найти в документе все номера телефонов или адреса почты и заменить их на что-то другое.
2. Проверка данных (валидация). Убедиться, что введён правильный адрес почты (есть «собака» и точка) или что пароль содержит и цифры, и буквы.
3. Программирование. Разбор текста, вытаскивание нужной информации из логов, обработка данных.

Регулярные выражения выглядят как «каша из символов». Вот пример проверки адреса почты:

^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

Такие шаблоны сложно читать и легко ошибиться. Запомните главное: регулярка — это не поиск конкретного слова, а описание правил, которым это слово должно соответствовать.

Обычные символы совпадают сами с собой: шаблон кот найдёт «кот». Если же нужен сам спецсимвол (точка, скобка, звёздочка), его «экранируют» обратным слешем: \. — точка, \( — открывающая скобка, \* — звёздочка.

Класс […] — это «один из перечисленных символов». [тТ] — «т или Т». Внутри класса задают диапазоны: [А-Я] — заглавные русские буквы, [а-я] — строчные. Любая русская буква — [А-Яа-яЁё] (буквы «ё» добавляют отдельно).

Крышка в начале класса, [^…], означает «любой символ, кроме перечисленных»: [^А-Яа-я] — не русская буква.

Дефис внутри класса означает диапазон, поэтому сам дефис ставят в самый конец: [А-Яа-яЁё-] — буквы и дефис. Тогда дефис считают частью слова: «что-то» — одно сложное слово.

A|B — «A или B». Круглые скобки группируют: (то|на). Повторы: * — ноль и более раз, + — один и более, ? — ноль или один, {2,3} — от двух до трёх раз.

Обычно границу слова задают как \b, но в JavaScript и части редакторов \b считает буквами только латиницу — с кириллицей он не работает. Поэтому в русском тексте границу задают явным классом [А-Яа-яЁё-].

Просмотр проверяет соседний символ, но не включает его в совпадение: (?=…) — «дальше идёт …», (?!…) — «дальше не …», (?<=…) — «перед этим было …», (?<!…) — «перед этим не …».

Так из сочетания делают «внутри слова»: [тТ]о(?=[А-Яа-яЁё-])|(?<=[А-Яа-яЁё-])[тТ]о.

Флаги включают режимы поиска: i — не учитывать регистр, g — искать все совпадения, u — юникодный режим (корректная работа с не-латиницей). В задании 10 регистр удобнее задавать классом [тТ], а не флагом: тогда оба варианта написания видны прямо в шаблоне.

Синтаксис почти одинаков в LibreOffice Writer (движок ICU), JavaScript и Python, но детали отличаются. Практический вывод: не полагайтесь на \b для кириллицы и проверяйте шаблон на небольшом фрагменте в песочнице, прежде чем применять ко всему документу.