Tags:    diverse

Konklusion

Nu da vi har fået kigget på alle elementerne i vores udtryk kan vi se det i forhold til udtrykket. En email ser jo som bekendt sådan her ud - user@host.tld - (tld står for top-level domain, eksempelvis .dk eller .com) og hvis vi kigger efter på den del af udtrykket før @ så finder vi det her; ^\w[\w.-]*. Med det vi har lært kan vi regne ud af den skal starte med et alfanumerisk tegn (enten et bogstav, et tal eller en underscore (_)) ligesom der kan forkomme et alfanumerisk tegn, et . eller en - på de næste placeringer. Næste tegn er selvfølgelig @ tegnet selv så det springer vi over. Efter det kommer (\w[\w-]*\.)+ som skal finde host navnet samt det afsluttende punktum, inden tld. Den gør det ved at næsten gentage udtrykket fra user delen undtagen at den sidste character class ikke har et . i sig. Den har vi placeret efter klassen for at sikre os at under-udtrykket slutter på et punktum. Derved vil det finde "a-host.", "minside." osv. men ikke "-site." eller "si.te". Det sidste vil mangler er [a-z]{2,4}$ som eneste opgave er at finde tld. Man kan, hvis man, erstatte det med det her udtryk; (dk|com|net)$ - hvis man vil begrænse udtrykket til bestemte top-level domains.

Eksempler

Vi skulle nu have været omkring nok af regex så udtrykket er forståeligt, så nu er det på tide at se hvordan vi bruger det i praksis. Sprogene er ikke valgt i nogen speciel rækkefølge og det er i flere af sprogene muligt at gøre det samme på flere forskellige måder, her har jeg dog valgt kun at vise en for hvert sprog. Eksemplerne er holdt ens for at man kan se forskelle/ligheder imellem de forskellige sprog.

.NET (C#)

 // Verbatim string så \ ikke skal escapes
 // RegexOptions.ECMAScript er for at slå Unicode understøttelse fra
 Regex pattern = new Regex(@"^\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}$", RegexOptions.IgnoreCase | RegexOptions.ECMAScript);
 string email = "en.em@il.her.dk";
 
 if(pattern.IsMatch(email))
 {
     Console.WriteLine("Det er en gyldig email!");
 }

Perl

 # Perl sætter dens regex indstillinger lige efter udtrykket, her er det i, som står for "ignore case"
 $pattern = q{^\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}$};
 $email = 'en.em@il.her.dk';
 
 if($email =~ m/$pattern/i)
 {
     print "Det er en gyldig email!";
 }

Python

 # coding: latin-1
 # Kommentareren ovenover er vigtig
 import re
 pattern = "^\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}$"
 email = "en.em@il.dk"
 
 if(re.search(pattern, email, re.IGNORECASE)):
     print "Det er en gyldig email!"

Ruby

# Se punkt 1 forneden, hvorfor ^ og $ er erstattet med \A og \Z
pattern = /\A\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}\Z/i
email = "en.em@il.dk"

if email =~ pattern
	puts "Det er en gyldig email!"
end

PHP (?)

 # PHP bruger en mærkelig blanding af regex delimiters, både strings og //
 $pattern = "/^\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}$/i";
 $email = "en.em@il.dk";
 
 if(preg_match($pattern, $email))
 {
     echo "Det er en gyldig email!";
 }

JavaScript

 // JavaScript er kun istand til at finde starten på linjen, ikke strengen
 var pattern = /^\w[\w.-]*@(\w[\w-]*\.)+[a-z]{2,4}$/i
 var email = "en.em@il.dk";
 
 if(pattern.test(email))
 {
     alert("Det er en gyldig email!");
 }

Punkter

1. Visse elementer i regex opfører sig anderledes afhængigt af om de er sat til multiline-mode eller singleline-mode. Tre af disse bruger vi her i artiklen, ., ^ og $ (Undtagelsen her er Ruby og JavaScript, hvor de kun er i stand til at finde starten på linjen, ikke strengen). Deres opførsel i multiline er således:

• .: Den matcher alt, undtagen linjeskift


• ^: Matcher starten på en linje, det vil sige, lige efter et linjeskift


• $: Matcher slutningen på en linje, lige før linjeskiftet

Og så de samme, nu bare ved singleline:

• .: Den matcher alt, også linjeskit


• ^: Matcher starten på teksten, lige før det allerførste tegn


• $: Matcher slutningen på teksten, lige før det sidste linjeskift

Selvom ^ og $ ikke matcher starten og slutningen på teksten når multiline er slået til, så kan man godt opnå det alligevel ved at bruge \A og \Z respektivt, dog ikke i JavaScript, som ikke understøtter dem. De svarer til ^ og $ opførsel under singleline.

2. Blandt andet .NET har slået Unicode understøttelse til som standard, men dette kan let slåes fra med RegexOptions.ECMAScript, som ses i eksemplet foroven. I Perl bruger regex unicode fra version 5.6, men det kan omgåes ved at bruge q{} omkring regexen, som i eksemplet her i artiklen.

Hvad synes du om denne artikel? Giv din mening til kende ved at stemme via pilene til venstre og/eller lægge en kommentar herunder.

Del også gerne artiklen med dine Facebook venner:  

Karma barometer (30 dage)

IT jobs | Kontakt | Om Udvikleren.dk | Om karma | IT nyheds arkiv | Annoncering

X