Regulaarilausekkeisiin

Regulaarilausekkeisiin viitataan tässä artikkelissa yleisemmin säännöllisinä lausekkeina käytettäviin malleihin eli regulaarilausekkeisiin. Ne ovat kuvauksia teksteistä, joita käytetään etsimiseen, korvaamiseen ja tekstin validointiin ohjelmointikielissä ja tekstiä käsittelevissä työkaluissa. Regulaarilausekkeet perustuvat perusmalleihin ja erikoismerkkeihin, joita yhdistellään pienemmiksi osiksi.

Rakenne muodostuu literalleista, merkkiluokista, toistoista, ryhmistä ja valinnoista. Literallit vastaavat tarkkaa merkkijonoa, merkkiluokat ilmaisevat joukon merkkejä (esimerkiksi [a-z] tai \d), ja erikoismerkit kuten . ^ $ * + ? {m,n} toimivat erityisasetuksina. Ryhmät käyttävät sulkuja () ja valintoja voidaan tehdä käyttämällä |-merkkiä. Toistot määrittelevät, kuinka monta kertaa edellinen osa voi esiintyä: *, +, ? sekä {m,n}. Ankkurit ^ ja $ rajaavat vastaamisen rivin alkuun ja loppuun. Escape-merkillä \ voidaan muuttaa metamerkiksi, jolloin erikoismerkit tulkitaan kirjaimellisesti.

Käyttöalueet vaihtelevat hakemuksesta ja korvaamisesta aina syötteen validointiin. Esimerkki yleisestä muodosta: ^[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}$. On kuitenkin huomioitava, että perinteiset regulaarilausekkeet eivät kata rekursiivisia tai tasapainoisia rakenteita; joissakin ympäristöissä on laajennuksia, jotka laajentavat ilmaisua.

Historian kannalta regulaarilausekkeet ovat peräisin formaalisesta kieli­teoriasta ja Kleenein sulkeista; ne ovat tulleet laajasti käytetyiksi Unix-työkaluissa ja monissa ohjelmointikielissä 1970-luvulla. Niiden tunteminen tarjoaa tehokkaan ja joustavan tavan käsitellä suuria tekstimassoja.