Κανονικό Chatbot

Κανονικές εκφράσεις

Οι κανονικές εκφράσεις (regexes) είναι ακολουθίες χαρακτήρων που καθορίζουν ένα μοτίβο αναζήτησης σε κείμενο.

Η εκμάθηση της σύνταξης των κανονικών εκφράσεων ξεφεύγει από το πεδίο αυτού του θέματος. Θα επικεντρωθούμε στις εκφράσεις που παρέχει το jq για να χρησιμοποιήσεις τις κανονικές εκφράσεις.

Παραλλαγή κανονικών εκφράσεων

Διαφορετικά εργαλεία υλοποιούν διαφορετικές εκδόσεις των κανονικών εκφράσεων. Το jq ενσωματώνει τη βιβλιοθήκη κανονικών εκφράσεων Oniguruma, η οποία είναι σε μεγάλο βαθμό συμβατή με τις κανονικές εκφράσεις της Perl v5.8.

Η συγκεκριμένη σύνταξη που χρησιμοποιεί το jq βρίσκεται στο αποθετήριο GitHub του Oniguruma.

Συναρτήσεις κανονικών εκφράσεων

Οι κανονικές εκφράσεις στο jq περιορίζονται σε ένα σύνολο φίλτρων.

Απλή αντιστοίχιση

Όταν χρειάζεται να ξέρεις αν μια συμβολοσειρά ταιριάζει με ένα μοτίβο, χρησιμοποίησε το φίλτρο test.

STRING | test(REGEX)
STRING | test(REGEX; FLAGS)
STRING | test([REGEX, FLAGS])

Αυτό το φίλτρο βγάζει ένα boolean (λογική τιμή) αποτέλεσμα.

"Hello World!" | test("W")    # => true
"Goodbye Mars" | test("W")    # => false

Πληροφορίες για την αντιστοίχιση

Όταν χρειάζεται να εξαγάγεις την υποσυμβολοσειρά που όντως ταίριαξε με το μοτίβο, χρησιμοποίησε το φίλτρο match.

STRING | match(REGEX)
STRING | match(REGEX; FLAGS)
STRING | match([REGEX, FLAGS])

Αυτό το φίλτρο βγάζει:

• τίποτα, αν δεν υπήρξε αντιστοίχιση, ή
• ένα αντικείμενο που περιέχει διάφορες ιδιότητες, αν υπήρξε αντιστοίχιση.

Αυτό το παράδειγμα ψάχνει για δύο ίδια συνεχόμενα φωνήεντα χρησιμοποιώντας τη σύνταξη οπισθοαναφοράς, \1.

"Hello World!" | match("([aeiou])\\1")
# => empty

"Goodbye Mars" | match("([aeiou])\\1")
# => {
#      "offset": 1,
#      "length": 2,
#      "string": "oo",
#      "captures": [
#        {
#          "offset": 1,
#          "length": 1,
#          "string": "o",
#          "name": null
#        }
#      ]
#    }

Το φίλτρο match επιστρέφει ένα αντικείμενο για κάθε αντιστοίχιση. Αυτό το παράδειγμα δείχνει τη σημαία "g" εν δράσει, για να βρει όλα τα φωνήεντα.

"Goodbye Mars" | match("[aeiou]"; "g")
# => { "offset": 1, "length": 1, "string": "o", "captures": [] }
#    { "offset": 2, "length": 1, "string": "o", "captures": [] }
#    { "offset": 6, "length": 1, "string": "e", "captures": [] }
#    { "offset": 9, "length": 1, "string": "a", "captures": [] }

Υποσυμβολοσειρές που συλλαμβάνονται

Παρόμοια με το φίλτρο match, το φίλτρο capture επιστρέφει ένα αντικείμενο αν υπήρξε αντιστοίχιση.

STRING | capture(REGEX)
STRING | capture(REGEX; FLAGS)
STRING | capture([REGEX, FLAGS])

Το αντικείμενο που επιστρέφεται είναι μια αντιστοίχιση των ονομασμένων συλλήψεων.

"JIRAISSUE-1234" | capture("(?<project>\\w+)-(?<issue_num>\\d+)")
# => {
#      "project": "JIRAISSUE",
#      "issue_num": "1234"
#    }

Μόνο οι υποσυμβολοσειρές

Το φίλτρο scan είναι παρόμοιο με το match με τη σημαία "g".

STRING | scan(REGEX)
STRING | scan(REGEX; FLAGS)

Το scan θα βγάλει μια ροή υποσυμβολοσειρών.

"Goodbye Mars" | scan("[aeiou]")
# => "o"
#    "o"
#    "e"
#    "a"

Χρησιμοποίησε τον κατασκευαστή πίνακα [...] για να συλλάβεις τις υποσυμβολοσειρές.

"Goodbye Mars" | [ scan("[aeiou]") ]
# => ["o", "o", "e", "a"]

Διαχωρισμός συμβολοσειράς

Αν ξέρεις τα μέρη της συμβολοσειράς που θέλεις να κρατήσεις, χρησιμοποίησε το match ή το scan. Αν ξέρεις τα μέρη που θέλεις να απορρίψεις, χρησιμοποίησε το split.

STRING | split(REGEX; FLAGS)

Ένα παράδειγμα που χωρίζει μια συμβολοσειρά σε αυθαίρετα κενά διαστήματα.

"first   second           third fourth" | split("\\s+"; "")
# => ["first", "second", "third", "fourth"]

Αντικαταστάσεις

Τα φίλτρα sub και gsub μπορούν να μετασχηματίσουν τη συμβολοσειρά εισόδου, αντικαθιστώντας τα τμήματα της εισόδου που αντιστοιχίστηκαν με μια συμβολοσειρά αντικατάστασης.

Για να αντικαταστήσεις μόνο την πρώτη αντιστοίχιση, χρησιμοποίησε το sub. Για να αντικαταστήσεις όλες τις αντιστοιχίσεις, χρησιμοποίησε το gsub.

STRING | sub(REGEX; REPLACEMENT)
STRING | sub(REGEX; REPLACEMENT; FLAGS)
STRING | gsub(REGEX; REPLACEMENT)
STRING | gsub(REGEX; REPLACEMENT; FLAGS)

"Goodnight kittens. Goodnight mittens." | sub("night"; " morning")
# => "Good morning kittens. Goodnight mittens."

"Goodnight kittens. Goodnight mittens." | gsub("night"; " morning")
# => "Good morning kittens. Good morning mittens."

Το κείμενο αντικατάστασης μπορεί να αναφέρεται στις υποσυμβολοσειρές που αντιστοιχίστηκαν. Χρησιμοποίησε ονομασμένες συλλήψεις και παρεμβολή συμβολοσειράς.

"Some 3-letter acronyms: gnu, csv, png"
| gsub( "\\b(?<tla>[[:alpha:]]{3})\\b";     # find words 3 letters long
        "\(.tla | ascii_upcase)" )          # upper-case the match
# => "Some 3-letter acronyms: GNU, CSV, PNG"

Σημαίες

Σε όλα τα παραπάνω φίλτρα, το FLAGS είναι μια συμβολοσειρά που αποτελείται από μηδέν ή περισσότερες από τις υποστηριζόμενες σημαίες.

• g - Καθολική αναζήτηση (βρες όλες τις αντιστοιχίσεις, όχι μόνο την πρώτη)
• i - Αναζήτηση χωρίς διάκριση πεζών/κεφαλαίων
• m - Λειτουργία πολλαπλών γραμμών (το '.' θα ταιριάζει με αλλαγές γραμμής)
• n - Αγνόησε τις κενές αντιστοιχίσεις
• p - Ενεργοποιούνται και οι δύο λειτουργίες s και m
• s - Λειτουργία μονής γραμμής ('^' -> '\A', '$' -> '\Z')
• l - Βρες τις μεγαλύτερες δυνατές αντιστοιχίσεις
• x - Εκτεταμένη μορφή κανονικών εκφράσεων (αγνόησε τα κενά και τα σχόλια)

Για παράδειγμα

"JIRAISSUE-1234" | capture("(?<project>\\w+)-(?<issue_num>\\d+)")

# or with Extended formatting

"JIRAISSUE-1234" | capture("
                     (?<project>   \\w+ )  # the Jira project
                     -                     # followed by a hyphen
                     (?<issue_num> \\d+ )  # followed by digits
                   "; "x")