Regex ist die Sprache, die Sprachen bändigt – und die Entwickler manchmal zum Weinen bringt. Trotzdem kommt man um sie nicht herum, denn Reguläre Ausdrücke könnt ihr immer dann einsetzen, wenn ihr nach einem gewissen Muster in Zeichenketten beziehungsweise Texten (zum Beispiel Substrings) sucht oder ihr Text modifzieren wollt. Das Herausfiltern von Beistrichen oder das Finden von Postleitzahlen und Telefonnummern in einer Textdatei mit mehreren 1.000 Einträgen wird so quasi zum Kinderspiel – vorausgesetzt, ihr beherrscht die Regulären Ausdrücke.

Wir haben schon einen einleitenden Artikel zu Regex veröffentlicht, in dem ihr unter anderem auch Ressourcen findet, die euch beim Erlernen von Regex helfen sollen. Die Regulären Ausdrücke sind selbst eine Aneinanderreihung von Zeichen, bei deren Anzahl es technisch keine Begrenzung gibt. In der Regel sollten Regex-Anweisungen aber kurz gehalten werden, damit die ohnehin schwer zu lesende Sprache nicht noch unverständlicher wird. Dabei könnt ihr euch die Regex-Anweisung als kleines Programm vorstellen, das in Regex geschrieben wurde – wobei der Umfang der Syntax recht klein und domain-spezifisch ist. Daher ist es möglich, dass ihr mit Regex auch If/Then/That-Anweisungen umsetzt. Wobei ihr natürlich auf korrekte Syntax und die spezifischen Eigenarten von Regex achten müsst – aber dazu mehr in diesem Guide.

Die folgende Liste soll als kurze Referenz dienen, damit ihr schnell den ein oder anderen Befehl nachschauen könnt. Die einzelnen Befehle werden im Laufe des Guides genauer erklärt:

Literale: a b c d e f 1 2 3 4 5 6 etc.
Metacharacters: . [ ] { } ? * + | ( ) ^ $

Zahl: d
Alphanumerischer Character: w
Whitespace (Leertasten, Tabulatoren, „Carriage-Return“ und „Line-Feeds“): s
Negiert die Character-Klassen: D, W, S, [^abc]
Character: .
Multiplier: {42}, {4,20}
Eins oder mehr: +
Null oder Eins: ?
Null oder mehrere: *
Grouping/Alternation: (Mon|Diens)tag
Wort- und Text-Boundaries: b ^ $
Escape:

Die Regulären Ausdrücke setzen sich aus Literalen und „Metacharacters“ zusammen. Der Unterschied liegt dabei darin, dass die „Metacharacters“ nicht dazu genutzt werden, die Zeichen darzustellen, die gefunden werden sollen, sondern um bestimmte Anweisungen durchzuführen – daher besitzen sie eine spezielle Bedeutung.

Die meisten Zeichen (a b c d e et cetera und Zahlen wie 1 2 3 4 5 6 et cetera) sind Literale, sie finden sich also selbst. Wenn ihr also nach t3n sucht, dann bedeutet das: „Finde t, gefolgt von einer 3, gefolgt von einem n.

Wie bereits angesprochen gibt es einige Zeichen (. [ ] { } ? * + | ( ) ^ $), die spezielle Fähigkeiten oder Eigenschaften aufweisen. Diese werden als Metacharacter bezeichnet, wobei nicht alle in einer Charakter-Klasse verwendet werden können, aber dazu später mehr.

Der Punkt beziehungsweise „Fullstop“ oder „Dot“ findet ein Zeichen. Der reguläre Ausdruck t.n bedeutet: „Finde das Zeichen t gefolgt von einem beliebigen Zeichen und einem abschließenden n.“ Damit finden wir t3n, aber auch ten oder tnn. Wir bekommen aber nicht t33n oder tn zurück. Anders verhält es sich mit Leertasten. Der reguläre Ausdruck t n bedeutet: „Finde t gefolgt von einer Leertaste, gefolgt von einem n.

Aber was ist, wenn ihr etwas finden wollt und der . soll nicht als Anweisung, sondern als Literal erkannt werden? Die Antwort heißt: „Escape“. Ihr könnt „Metacharacters“ zu Literalen umwandeln, indem ihr vor dem Zeichen einen setzt. Der reguläre Ausdruck t.n bedeutet: „Finde t gefolgt von . gefolgt von n. Und da selbst auch zu den „Metacharacters“ zählt, könnt ihr auch diesen „escapen“: tn.

Angenommen, ihr wollt ein Literal einer gewissen Menge aus dem Alphabet suchen, dann könnt ihr [a b c d e f] et cetera verwenden. Um das aber zu verkürzen, könnt ihr in Regulären Ausdrücken auch eine „Range“ angeben. Das letzte Beispiel als „Range“ angegeben sieht so aus: [a-f]. Dieses Regex bedeutet nichts anderes als: „Finde eines der Zeichen aus [a b c d e f]“. Ihr könnt zwischen [A-Z], [a-z], [1-9] oder Teilmengen davon unterscheiden. Der Bindestrich hat außerhalb der „Character class range“ keine spezielle Bedeutung, somit gibt a-z einfach nur ein a gefolgt von einem Bindestricht gefolgt von einem z zurück.

Dabei ist zu beachten, dass „Ranges“ zusammen mit isolierten Zeichen zusammen funktionieren können: [0-9.,] gibt euch eine Zahl oder . oder , zurück. Wichtig: „Ranges“ funktionieren nur für Zeichen, nicht aber für Ziffern beziehungsweise Zahlen. Der reguläre Ausdruck [1-21] bedeutet nicht: „Finde Ziffern von 1 bis 21“ sondern „Finde die Ziffern 1 oder 2 oder 1.

Aber Regex kann nicht nur finden, sondern auch nicht finden – also negieren. Wenn ihr also nach einem Zeichen sucht, das nicht t sein soll, dann lautet der Ausdruck dafür: [^t]

Wie auch schon bei „Ranges“ bieten die „Freebie character classes“ eine vereinfachte Schreibweise für eine gewisse Menge an. Wenn ihr also nach einer Ziffer suchen wollt, dann könnt ihr das mit [0-9] – oder aber ihr sucht nach d. Dasselbe gilt auch für Wörter. Anstatt nach alphanumerischen Zeichenketten mit [0-9A-Za-z_] zu suchen, könnt ihr mit [w] dasselbe erreichen. Aber Achtung: Enthalten Wörter Sonderzeichen wie Accents, also zum Beispiel „Chérie“, werden sie nicht mehr als Wort erkannt. Mit s sucht ihr übrigens nach „Space-Characters“ wie zum Beispiel der Leeraste, dem Tabulator-Zeichen, Zeilenumschaltungen und dem „Line-Feed“.

Wollt ihr negieren, so wird kein ^ davor gesetzt, sondern der Metacharacter groß geschrieben, also findet D alles außer Ziffern und W alles außer Wörtern et cetera. Um nach einem Datum im Format YYYY-MM-DD zu suchen, müsst ihr also nicht [0-9][0-9][0-9][0-9]-[0-9][0-9]-[0-9][0-9] nutzen, sondern ihr könnt auch dddd-dd-dd eingeben. Wie ihr seht: Es gibt mehrere Varianten, Regex zu nutzen.

Ihr könnt jetzt die Basisfunktionen von Regex nutzen, aber durch die „Multipliers“ werden eure regulären Ausdrücke effizienter – und das machen die geschwungenen Klammern {} möglich.

Wenn ihr nach a suchen wollt, könnt ihr einfach das Literal a nutzen – oder ihr nutzt einen „Multiplier“ von 1. Dementsprechend würde a{1} genau a finden. Natürlich ist ein „Multiplier“ sinnvoller, wenn ihr nach sich wiederholenden Zeichen oder Zeichenketten sucht. So würde a{3} nach aaa suchen. Aber Vorsicht: [abc]{3} bedeutet, dass nach dem karthesischen Produkt von a oder b oder c – also aaa, aab, aac, aba, abb, abc, baa, bba, bbb, bbc et cetera gesucht wird und nicht nur nach aaa oder bbb oder ccc.

Ihr könnt eure „Multiplier“ aber auch mit „Ranges“ bereichern. Das ist praktisch, wenn ihr zum Beispiel nach Wörtern sucht, die im britischen Englisch anders geschrieben werden als im Amerikanischen: colou{0,1}r – gibt euch „colour“ oder „color“ zurück. Ihr sucht also nach u in der Range von 0 Zeichen und 1 Zeichen.

Dabei ist zu beachten, dass t{10} das gleiche ist wie t{10,10} und dass der Ausdruck t{1,4} bedeutet: „Finde ein tttt gefolgt von ttt, gefolgt von tt, gefolgt von t“. Desweiteren ist es wichtig zu wissen, dass „Multipliers“ gierig sind. Sollte der zu durchsuchende String zum Beispiel 42tttt84 enhalten, dann wird der reguläre Ausdruck auf tttt „matchen“ – es wird also nicht nach einem t gestoppt.

Obwohl der „Multiplier“ gierig ist, wird ein perfekter „Match“ nicht ignoriert. Wenn also die Zeichen-Sequenz so aussieht: t42ttt, wird zuerst das erste t gefunden. Erst nach einer weiterführenden Suche wird ttt gematcht.

Die „Ranges“ können auch offen sein: t{1,} bedeutet „Finde ein oder mehrere t in einer Reihe“ – wobei der Multiplier gierig bleibt. Mit .{0,} könntet ihr den gesamten Text ausgeben lassen, denn diese Range bedeutet: „Finde alles – auch leere Strings“.

Wie bereits erwähnt könnt ihr „Multiplier Ranges“ verwenden, um Begriffsvariationen wie color und colour zu finden. Der „Freebie Multiplier“ ? hat dieselbe Bedeutung wie {0,1}, somit folgt, dass colou?r nichts anderes bedeutet als: „Finde colour oder color“.

* ist dasselbe wie eine offene „Range“{0,}, also könnt ihr „Finde Alles“ auch mit .* ausdrücken.

Die offene „Range“ {1,} kann mit + ausgedrückt werden. Um also genau eine Zahl zu finden könnt ihr d+ nutzen. Zum Unterschied dazu und als Wiederholung:

• ?*+ findet: ?, gefolgt von *, gefolgt von +. Der maskiert die „Metacharacters“
• Mit einer „Character class range“ [?*+] sucht ihr nach „Finde ? oder * oder +

Ähnlich wie in anderen Programmiersprachen bedeutet | – also die „Pipe“ – ein logisches ODER. Regex bietet euch allerdings mehrere verschiedene Einsatzmöglichkeiten:

t3n|ten bedeutet: „Finde t3n oder ten. Wobei t|3|n dasselbe – begründet durch die „Character Class Range“ – ist wie [t3n].

Regex kann auch gruppieren. Sollte es komplizierter werden als t3n|ten, wenn ihr also beispielsweise ein Bier aus einer Bier-Liste finden wollt, dann könnt ihr das „Grouping“ einsetzen. Um also ein Bier zu finden, könnt ihr mit (Schwarz|Malz|Weiß|Dunkel|Alt)bier danach suchen. Wobei (w*)bier alle Wörter zurückliefert, die auf bier enden.

Ihr könnt auch Sub-Groups beziehungsweise „Capture Groups“ anlegen – wie zum Beispiel (w) wollen heute ((w+) w+) was euch Wir wollen heute Bier trinken zurück gibt. Die einzelnen „Capture Groups“ geben folgendes aus:

• Capture-Group 1: Wir
• Capture-Group 2: Bier trinken
• Capture-Group 3: Bier

Die „Word boundary“ sind der Raum zwischen einem alphanumerischen Zeichen beziehungsweise einem „Wort-Character(s)“ – also w – und einem Nicht-Wort-Characters – also W. Wobei der Beginn und das Ende als „Word boundaries“ mitgezählt werden: t3n Magazin hat also vier „Word boundaries“. Dabei ist zu beachten, dass „Word boundaries“ so nicht sichtbar sind, weil sie eine Breite von 0 besitzen und sie auch keine „Characters“ sind.

Alpha und Omega treffen auch auf Zeilen zu, sie haben einen Anfang und ein Ende, eben das gleiche Prinzip wie bei „Word boundaries“. Mit Regex könnt ihr diese mit ^ und $ selektieren. Wobei ^ den Bereich unmittelbar vor der Zeile und $ den Bereich unmittelbar am Ende der Zeile markiert.

Eine leere Zeile könnt ihr also mit ^$ finden – Zeilenbeginn und Zeilenende, wobei dazwischen nichts ist. Beachte: Um ^ zu finden, müsst ihr mithilfe einer „Character class negation“ das Zeichen wie folgt maskieren: [^]. Da ^ in eckigen Klamern sonst einer Verneinung gleich kommt.

Wie auch die „Word boundaries“ sind die „Line boundaries“ keine Zeichen im eigetnlichen Sinne und sie Verfügung über eine Breite von Null. Wobei in verschiedenen Implementierungen auch A und z existieren, die nicht den Beginn und das Ende einer Zeile, sondern des Textes definieren.

Ich hoffe, dieser Guide hilft dem einen oder anderen, die Regulären Ausdrücke besser zu verstehen. Wie häufig nutzt ihr Regex?