howto:regex

Что это такое?

Регулярные выражения используются для поиска совпадения в строках.
К примеру, нужно автоматически загружать все торренты сериала «Ходячие мертвецы» из рассылки RSS. Для этого можно использовать следующее выражение:

/The Walking Dead.*Сезон:/i

Регулярное выражение в общем виде записывается как /строка/флаги. Мы будем использовать флаги i и u.
i означает нечувствительность к регистру, то есть а и А считаются одинаковыми символами.
u – unicode, без этого русские буквы не будут считаться частью слова.

. означает «любой символ», * – «любое количество». .* – любое к-во любых символов.

В регулярных выражениях используются и другие специальные символы: ^ $ + ? { } [ ] \ | ( ) и иногда нужно, чтобы они интерпретировались как «обычные» – для этого используется экранирование символом \ (обратный слэш), например:
1*2 означает «любое к-во 1, потом 2», в то время как 1\*2 будет соответствовать строке 1*2.

Если регулярное выражение записывается как /строка/i, то слэш / тоже является специальным символом.
Для использования в /строке/i его тоже надо экранировать: /https?:\/\/domain\.tld\/\S/i.
Здесь s? означает «s либо ничего», а для того, чтобы . в domain.tld интерпретировалась именно как точка, а не как «любой символ», она экранирована: \.
\S – любой символ, не являющийся пробелом

Это выражение соответствует любому http или https URL для domain.tld c непустым путем, например http://domain.tld/wiki/ или https://domain.tld/images/photo.png.

Если выражение должно содержать слэш, то, чтобы избежать громоздкого экранирования, его можно записать иначе: %выражение%i или #выражение#i,
тогда предыдущее выражение будет выглядеть так: #https?://domain\.tld/\S#i

Вернемся к «Ходячим мертвецам». Выражение /The Walking Dead.*Сезон:/i «найдет» все нужные торренты, однако оно совпадет и с другим сериалом Бойтесь ходячих мертвецов / Fear the Walking Dead / Сезон: 7, что уже не очень хорошо. Можно, конечно, добавить в регулярное выражение и русское название, но мы ведь не ищем легких путей? На самом деле иногда бывает несколько вариантов перевода, так что правильнее ограничиться оригинальным названием.

Оригинальное название заключено между слэшами с пробелами – / The Walking Dead /. Учтем тот факт, что с релизер может ошибиться с пробелами (пропустить или использовать 2+ пробела), так что используем специальный символ * («любое количество»):
/ *The Walking Dead */ *Сезон:. Чтобы не экранировать слэши, используем в качестве ограничителей #, и в итоге получится #/ *The Walking Dead */ *Сезон:#i

Немного усложним задачу –- мы не хотим скачивать большие раздачи всех сезонов этого сериала, так что мы должны исправить выражение так, чтобы оно не совпадало со строкой Ходячие мертвецы / The Walking Dead / Сезон: 1-10 из 10 / Серии: 1-153 из 153.
Проанализируем «правильную» подстроку … Сезон: 11 / Серии … – в ней после слова Сезон идет номер сезона и слэш. Учитывая, что \d означает «любая десятичная цифра», а + – «один или больше», запишем:

#/ *The Walking Dead */ *Сезон: *\d+ */#i

Еще один пример – выборка всех раздач футбола в хорошем качестве на русском или английском языке. Пример названия такой раздачи:
Чемпионат Нидерландов. Eredivisie 2022-2023 / 4-й тур / Утрехт (Утрехт) - Аякс (Амстердам) / Setanta Sports 1 HD [28.08.2022, Футбол, IPTV/1080i/25fps, TS/H.264, RU-EN]

Нам понадобятся следующие конструкции:

\b – «граница слова». Словом считается все, состоящее из букв, цифр и подчеркивания
[abcd…] – любой из символов abcd…
(яблоко|груша|персик) – любое из слов яблоко, груша, персик

Соберем всё это вместе.

Хорошим качеством мы сочтем разрешение в 1080 (это 1080i и 1080p), так что учтем оба варианта: 1080[ip]
Русский и английский пишутся как RU и EN, но встречается и RUS / ENG – это будет (RUS?|ENG?)
Напоминаем, что S? означает «S либо ничего», то есть RUS? соответствуют и RUS и RU
C разделителями и пробелами могут быть разные варианты, так что будем использовать «границу слова» – \b
Для правильной работы \b с русскими буквами нужен флаг u
Слэшей у нас нет, так что используем стандартные ограничители /

/Футбол\b.*\b1080[ip]\b.*\b(RUS?|ENG?)\b/iu

По умолчанию регулярное выражение может соответствовать любой части строки. Если нужно «привязаться» к её началу и/или концу, используйте ^ и $

/^начало…конец$/i «найдется» в Начало закончилось, начался конец, но не в Что-то началось, но конец еще не близок

Конечно же, мы рассмотрели только очень малую часть синтаксиса регулярных выражений. Надеемся, что для задач выборки по названиям раздач этого достаточно. Если же нет – читайте официальную документацию здесь и здесь (надеемся, что до этого дело не дойдет ).
Или же загуглите «регулярные выражения для начинающих», но букв там будет еще больше.

Здесь можно (и нужно) протестировать регулярное выражение перед тем, как включать на загрузку соответствующее RSS-правило. Выбирайте Flavor PCRE и не забывайте флаги.

Если будут сложности – обратитесь в нашу поддержку (контакты внизу страницы)