Reguläre Ausdrücke (RegEx)

Einführung

Reguläre Ausdrücke sind eine praktische Methode, um Muster in Texten zu definieren.

Mit regulären Ausdrücken kannst du Benutzereingaben validieren, nach Mustern wie E-Mails oder Telefonnummern auf Webseiten oder in Dokumenten suchen und vieles mehr.

Unten findest du das komplette Cheat Sheet für reguläre Ausdrücke.

Zeichen

Einfache Übereinstimmungen

Jedes einzelne Zeichen (außer speziellen RegEx-Zeichen) entspricht sich selbst. Eine Reihe von (nicht speziellen) Zeichen entspricht dieser Reihe von Zeichen im Eingabestring.

RegEx	Entsprechungen
foobar	foobar

Nicht-druckbare Zeichen (Escape-Codes)

Um ein Zeichen durch seinen Unicode-Code zu spezifizieren, verwende das Präfix \x gefolgt von dem Hex-Code. Für 3-4 stellige Codes (nach U+00FF), schließe den Code in Klammern ein.

RegEx	Entsprechungen
\xAB	Zeichen mit 2-stelligem Hex-Code AB
\x{AB20}	Zeichen mit 1..4-stelligem Hex-Code AB20
foo\x20bar	foo bar (beachte Leerzeichen in der Mitte)

Es gibt eine Anzahl vordefinierter Escape-Codes für nicht-druckbare Zeichen, ähnlich wie in der C-Sprache:

RegEx	Entsprechungen
\t	Tabulator (HT/TAB), wie \x09
\n	Zeilenvorschub (LF), wie \x0a
\r	Wagenrücklauf (CR), wie \x0d
\f	Seitenvorschub (FF), wie \x0c
\a	Alarm (BEL), wie \x07
\e	Escape (ESC), wie \x1b
\cA ... \cZ	chr(0) bis chr(25). Zum Beispiel entspricht \cI dem Tabulator-Zeichen. Kleinbuchstaben "a"..."z" werden ebenfalls unterstützt.

Escaping

Um ein spezielles RegEx-Zeichen (eines von .+*?|\()[]{}^$) darzustellen, setze einen Backslash \ davor. Der Backslash muss ebenfalls escaped werden.

RegEx	Entsprechungen
\^FooBarPtr	^FooBarPtr, dies ist ^ und nicht Anfang der Zeile
\[a\]	[a], dies ist keine Zeichenklasse

Zeichenklassen

Benutzerdefinierte Zeichenklassen

Eine Zeichenklasse ist eine Liste von Zeichen innerhalb eckiger Klammern []. Die Klasse entspricht jedem einzelnen Zeichen, das in dieser Klasse aufgelistet ist.

RegEx	Entsprechungen
foob[aeiou]r	foobar, foober usw., aber nicht foobbr, foobcr

Du kannst die Klasse "invertieren" - wenn das erste Zeichen nach der [ ein ^ ist, dann entspricht die Klasse jedem Zeichen außer den in der Klasse aufgelisteten Zeichen.

RegEx	Entsprechungen
foob[^aeiou]r	foobbr, foobcr usw., aber nicht foobar, foober

Innerhalb einer Liste wird das Minuszeichen - verwendet, um einen Bereich anzugeben, sodass a-z alle Zeichen zwischen a und z einschließlich darstellt.

Wenn du das Minuszeichen - selbst als Mitglied einer Klasse haben möchtest, setze es an den Anfang oder das Ende der Liste oder escape es mit einem Backslash.

Wenn du ] als Teil der Klasse haben möchtest, kannst du es am Anfang der Liste platzieren oder escape es mit einem Backslash.

RegEx	Entsprechungen
[-az]	a, z und -
[az-]	a, z und -
[a\-z]	a, z und -
[a-z]	Zeichen von a bis z
[\n-\x0D]	Zeichen von chr(10) bis chr(13)

Punkt-Meta-Zeichen

Das Meta-Zeichen . (Punkt) entspricht standardmäßig jedem Zeichen. Aber wenn du den Modifikator /s ausschaltest, entspricht es nicht Zeilenumbruch-Zeichen.

Der . fungiert nicht als Meta-Klasse innerhalb benutzerdefinierter Zeichenklassen. [.] bedeutet einen wörtlichen ".".

Meta-Klassen

Es gibt eine Reihe vordefinierter Zeichenklassen, die reguläre Ausdrücke kompakter machen, "Meta-Klassen":

RegEx	Entsprechungen
\w	ein alphanumerisches Zeichen, einschließlich _
\W	ein nicht-alphanumerisches Zeichen
\d	eine Ziffer (wie [0-9])
\D	eine nicht-Ziffer
\s	ein Leerzeichen (wie [ \t\n\r\f])
\S	ein Nicht-Leerzeichen
\h	horizontaler Leerraum: der Tabulator und alle Zeichen in der "space separator" Unicode-Kategorie
\H	kein horizontaler Leerraum
\v	vertikaler Leerraum: alle Zeichen, die im Unicode-Standard als Zeilenumbrüche behandelt werden
\V	kein vertikaler Leerraum
\R	Unicode-Zeilenumbruch: LF, Paar CR LF, CR, FF (Seitenvorschub), VT (vertikaler Tabulator), U+0085, U+2028, U+2029

Du kannst alle oben genannten Meta-Klassen innerhalb benutzerdefinierter Zeichenklassen verwenden.

RegEx	Entsprechungen
foob\dr	foob1r, foob6r usw., aber nicht foobar, foobbr usw.
foob[\w\s]r	foobar, foob r, foobbr usw., aber nicht foob1r, foob=r usw.

TRegExpr

Die Eigenschaften SpaceChars und WordChars definieren die Zeichenklassen \w, \W, \s, \S.

So können Sie diese Klassen neu definieren.

Grenzen

Zeilengrenzen

Meta-Zeichen	Entsprechungen
^	Übereinstimmung der Länge Null am Anfang der Zeile
$	Übereinstimmung der Länge Null am Ende der Zeile
\A	Übereinstimmung der Länge Null ganz am Anfang
\z	Übereinstimmung der Länge Null ganz am Ende
\Z	wie \z, entspricht aber auch vor dem letzten Zeilenumbruch
\G	Übereinstimmung der Länge Null am Ende der vorherigen Übereinstimmung

Beispiele:

RegEx	Entsprechungen
^foobar	foobar nur, wenn es am Anfang einer Zeile steht
foobar$	foobar nur, wenn es am Ende einer Zeile steht
^foobar$	foobar nur, wenn es die einzige Zeichenkette in einer Zeile ist
foob.r	foobar, foobbr, foob1r usw.

Das Meta-Zeichen ^ entspricht einer Position der Länge Null am Anfang des Eingabestrings. $ - am Ende. Wenn der Modifikator /m eingeschaltet ist, entsprechen sie auch am Anfang/Ende einzelner Zeilen im mehrzeiligen Text.

Beachte, dass es keine leere Zeile innerhalb der Sequenz \x0D\x0A gibt.

TRegExpr

Wenn Sie die Unicode-Version verwenden, dann passen ^/$ auch zu \x2028, \x2029, \x0B, \x0C oder \x85.

Das Meta-Zeichen \A passt auf die nulllange Position ganz am Anfang des Eingabestrings, \z - ganz am Ende. Sie ignorieren den Modifikator /m. \Z ist wie \z, passt aber auch vor dem finalen Zeilenumbruch (LF und CR LF). Das Verhalten von \A, \z, \Z ist wie in den meisten großen Regex-Engines (Perl, PCRE usw.) gestaltet.

Beachten Sie, dass ^.*$ nicht auf einen String zwischen \x0D\x0A passt, weil dies ein unteilbarer Zeilenseparator ist. Aber es passt auf den leeren String innerhalb der Sequenz \x0A\x0D, weil dies 2 Zeilenumbrüche in der falschen Reihenfolge sind.

TRegExpr

Die Verarbeitung von mehrzeiligen Texten kann durch die Eigenschaften LineSeparators und UseLinePairedBreak angepasst werden.

So können Sie Unix-Stil Trennzeichen \n oder DOS/Windows-Stil \r\n verwenden oder sie zusammen mischen (wie im oben beschriebenen Standardverhalten).

Wenn Sie eine mathematisch korrekte Beschreibung bevorzugen, finden Sie diese auf www.unicode.org.

Wortgrenzen

RegEx	Entsprechungen
\b	eine Wortgrenze
\B	keine Wortgrenze

Eine Wortgrenze \b ist ein Punkt zwischen zwei Zeichen, von denen eines ein \w und das andere ein \W ist (in beliebiger Reihenfolge).

Quantifizierung

Quantoren

Jedes Element eines regulären Ausdrucks kann von einem Quantor gefolgt werden. Ein Quantor gibt die Anzahl der Wiederholungen des Elements an.

RegEx	Entsprechungen
{n}	genau n Mal
{n,}	mindestens n Mal
{,m}	nicht mehr als m Mal (nur mit AllowBraceWithoutMin)
{n,m}	mindestens n, aber nicht mehr als m Mal
*	null oder mehr, ähnlich wie {0,}
+	einmal oder mehr, ähnlich wie {1,}
?	null oder einmal, ähnlich wie {0,1}

Ziffern in geschweiften Klammern {n,m}, geben die minimale Anzahl von Malen n und die maximale m an.

{n} ist äquivalent zu {n,n} und entspricht genau n Mal. {n,} entspricht n oder mehr Mal.

Die Variante {,m} wird nur unterstützt, wenn die Eigenschaft AllowBraceWithoutMin gesetzt ist.

Es gibt keine praktische Begrenzung für die Werte n und m (Grenze ist maximaler vorzeichenbehafteter 32-Bit-Wert).

Die Verwendung von { ohne einen korrekten Bereich führt zu einem Fehler. Dieses Verhalten kann geändert werden, indem die Eigenschaft AllowLiteralBraceWithoutRange gesetzt wird, welche { als Literalzeichen akzeptiert, wenn es nicht von einem Bereich gefolgt wird. Ein Bereich mit einem niedrigeren Wert größer als der hohe Wert führt immer zu einem Fehler.

RegEx	Entsprechungen
foob.*r	foobar,  foobalkjdflkj9r und foobr
foob.+r	foobar, foobalkjdflkj9r aber nicht foobr
foob.?r	foobar, foobbr und foobr aber nicht foobalkj9r
fooba{2}r	foobaar
fooba{2,}r	foobaar', foobaaar, foobaaaar usw.
fooba{2,3}r	foobaar, oder foobaaar  aber nicht foobaaaar
(foobar){8,10}	8...10 Instanzen von foobar (() ist Gruppe)

Gierigkeit

Quantoren im "gierigen" Modus nehmen so viel wie möglich, im "faulen" Modus - so wenig wie möglich.

Standardmäßig sind alle Quantoren "gierig". Füge das Zeichen ? hinzu, um jeden Quantor "faul" zu machen.

Für die Zeichenkette abbbbc:

RegEx	Übereinstimmungen
b+	bbbb
b+?	b
b*?	leere Zeichenkette
b{2,3}?	bb
b{2,3}	bbb

Du kannst alle Quantoren in den "faulen" Modus umschalten (Modifikator /g, unten verwenden wir Änderung des Modifikators im Text).

RegEx	Übereinstimmungen
(?-g)b+	b

Besitzergreifender Quantor

Die Syntax lautet: a++, a*+, a?+, a{2,4}+. Derzeit wird sie nur für einfache Klammern unterstützt, aber nicht für Klammern nach einer Gruppe wie (foo|bar){3,5}+.

Diese Regex-Funktion wird hier beschrieben. Kurz gesagt, beschleunigt der besitzergreifende Quantor das Finden von Übereinstimmungen in komplexen Fällen.

Auswahl

Ausdrücke in der Auswahl werden durch das vertikale Balken | getrennt.

So wird fee|fie|foe jede von fee, fie oder foe in der Ziel- zeichenkette übereinstimmen (wie auch f(e|i|o)e).

Der erste Ausdruck umfasst alles vom letzten Musterbegrenzer ((, [, oder der Anfang des Musters) bis zum ersten |, und der letzte Ausdruck enthält alles vom letzten | zum nächsten Musterbegrenzer.

Das klingt ein wenig kompliziert, daher ist es üblich, die Auswahl in Klammern zu setzen, um Verwirrung darüber zu minimieren, wo sie beginnt und endet.

Ausdrücke in der Auswahl werden von links nach rechts ausprobiert, sodass der erste Ausdruck, der passt, der gewählte ist.

Zum Beispiel wird der reguläre Ausdruck foo|foot in der Zeichenkette barefoot foo übereinstimmen. Nur der erste Ausdruck, der passt.

Denk auch daran, dass | als wörtliches Zeichen innerhalb von eckigen Klammern interpretiert wird, also wenn du [fee|fie|foe] schreibst, übereinstimmst du wirklich nur mit [feio|].

RegEx	Übereinstimmungen
foo(bar|foo)	foobar oder foofoo

Gruppen

Die Klammern () werden verwendet, um Gruppen (d.h. Unterexpressionen) zu definieren.

[!NOTE] TRegExpr

Gruppenpositionen, Längen und tatsächliche Werte werden in MatchPos, MatchLen und Match sein.

Du kannst sie mit Substitute ersetzen.

Gruppen werden von links nach rechts durch ihre öffnende Klammer nummeriert (einschließlich verschachtelter Gruppen). Die erste Gruppe hat den Index 1. Der gesamte Regex hat den Index 0.

Gruppe	Wert
0	foobar
1	foobar
2	bar

Rückverweise

Metazeichen \1 bis \9 werden als Rückverweise auf Erfassungsgruppen interpretiert. Sie stimmen mit der zuvor gefundenen Gruppe mit dem angegebenen Index überein.

Das Metazeichen \g gefolgt von einer Zahl wird ebenfalls als Rückverweise auf Erfassungsgruppen interpretiert. Es kann von einer mehrstelligen Zahl gefolgt werden.

RegEx	Übereinstimmungen
(.)\1+	aaaa und cc
(.+)\1+	auch abab und 123123
(.)\g1+	aaaa und cc

RegEx (['"]?)(\d+)\1 passt zu "13" (in Anführungszeichen), oder '4' (in einfachen Anführungszeichen) oder 77 (ohne Anführungszeichen) usw.

Benannte Gruppen und Rückverweise

Benannte Gruppen in regulären Ausdrücken ermöglichen es Ihnen, einen Teil Ihres Musters zu beschriften. Das macht Ihre Muster leichter verständlich und aktualisierbar.

Um eine benannte Gruppe zu erstellen, verwenden Sie (?<name>pattern) oder (?'name'pattern), wobei name der Name der Gruppe ist und pattern das Regex-Muster, das Sie erfassen möchten.

Rückverweise ermöglichen es Ihnen, denselben Text wie eine zuvor getroffene Gruppe zu matchen. Benannte Rückverweise verwenden \k<name>, wobei name der Name der Gruppe ist, die Sie erneut matchen möchten.

TRegExpr unterstützt auch die Perl-Version: (?P<name>pattern) um eine benannte Gruppe zu definieren und (?P=name) für Rückverweise.

Beispiel

RegEx	Übereinstimmungen
(?P<qq>['"])\w+(?P=qq)	"wort" und 'wort'

Übereinstimmendes Ergebnis

Der Beginn der gemeldeten Übereinstimmung kann mit \K gesetzt werden.

Standardmäßig wird der gesamte von einem Muster abgedeckte Text als übereinstimmend angesehen. Es ist jedoch möglich, explizit festzulegen, was gemeldet wird.

Das Muster a\Kb erfordert, dass der Text "ab" enthält. Aber nur der "b" wird als übereinstimmend gemeldet. Es kann mehrere \K in einem Muster geben, Das letzte setzt die Startposition der Übereinstimmung. Nur \K in aktiven Teilen des Musters werden berücksichtigt. Z.B. a(\Kb)? wird nicht \K berücksichtigen, wenn es kein "b" gibt. Erfassungen können außerhalb der durch \K gesetzten Übereinstimmung existieren.

Wenn es in anderen Konstrukten verwendet wird, die außerhalb der gemeldeten Übereinstimmung angewendet werden können (wie Vorausschau), dann muss die durch \K markierte Position vor oder bei dem gemeldeten Ende der Übereinstimmung liegen. Wenn die Position später markiert wird, wird die Übereinstimmung als gescheitert angesehen.

\K ist in gewisser Weise ähnlich einer Rückwärtssuche. Im Gegensatz zu einer Rückwärtssuche muss der Teil des Musters vor dem \K nach dem Startpunkt der Übereinstimmung liegen, wenn das Muster von einer Versatzposition innerhalb des Textes angewendet wird.

Modifikatoren

Modifikatoren dienen zur Änderung des Verhaltens von regulären Ausdrücken.

Du kannst Modifikatoren global in deinem System setzen oder innerhalb des regulären Ausdrucks ändern, indem du (?imsxr-imsxr) verwendest.

TRegExpr

Um Modifikatoren zu ändern, verwende ModifierStr oder entsprechende TRegExpr-Eigenschaften Modifier*.

Die Standardwerte sind in globalen Variablen definiert. Zum Beispiel definiert die globale Variable RegExprModifierX den Standardwert für die Eigenschaft ModifierX.

i, Groß-/Kleinschreibung ignorieren

Groß-/Kleinschreibung ignorieren. Verwendet die in deinem System installierten Gebietsschema-Einstellungen, siehe auch InvertCase.

m, Mehrzeilige Zeichenketten

Behandelt die Zeichenkette als mehrere Zeilen. So passen ^ und $ auf den Anfang oder das Ende einer beliebigen Zeile innerhalb der Zeichenkette.

Siehe auch Zeilenbegrenzungen.

s, Einzeilige Zeichenketten

Behandelt die Zeichenkette als eine einzige Zeile. So passt . auf jedes beliebige Zeichen, sogar auf Zeilentrenner.

Siehe auch Zeilenbegrenzungen, mit denen es normalerweise nicht übereinstimmen würde.

g, Gierigkeit

TRegExpr nur Modifikator.

Durch Ausschalten wechselst du Quantoren in nicht-gierigen Modus.

Wenn also der Modifikator /g Aus ist, dann funktioniert + als +?, * als *? und so weiter.

Standardmäßig ist dieser Modifikator Ein.

x, Erweiterte Syntax

Ermöglicht es, reguläre Ausdrücke zu kommentieren und in mehrere Zeilen aufzuteilen.

Wenn der Modifikator Ein ist, ignorieren wir alle Leerzeichen, die weder mit einem Rückstrich versehen noch innerhalb einer Zeichenklasse sind.

Und das # Zeichen trennt Kommentare.

Beachte, dass du leere Zeilen verwenden kannst, um den regulären Ausdruck für bessere Lesbarkeit zu formatieren:

(
(abc) # Kommentar 1
#
(efg) # Kommentar 2
)

Das bedeutet auch, dass wenn du echte Leerzeichen oder # Zeichen im Muster möchtest (außerhalb einer Zeichenklasse, wo sie von /x unbeeinflusst sind), musst du sie entweder escapen oder sie mit oktalen oder hexadezimalen Escapes kodieren.

r, Russische Bereiche

TRegExpr nur Modifikator.

In der russischen ASCII-Tabelle sind die Zeichen ё/Ё separat von anderen platziert.

Große und kleine russische Buchstaben sind in getrennten Bereichen, das ist dasselbe wie bei englischen Buchstaben, aber dennoch wollte ich eine kurze Form.

Mit diesem Modifikator kannst du statt [а-яА-ЯёЁ] [а-Я] schreiben, wenn du alle russischen Buchstaben brauchst.

Wenn der Modifikator Ein ist:

RegEx	Übereinstimmungen
а-я	Zeichen von а bis я und ё
А-Я	Zeichen von А bis Я und Ё
а-Я	alle russischen Symbole

Der Modifikator ist standardmäßig Ein gesetzt.

Behauptungen (Vorausschau, Rückblick)

Positive Vorausschau-Behauptung: foo(?=bar) passt zu "foo" nur vor "bar", und "bar" ist von der Übereinstimmung ausgeschlossen.

Negative Vorausschau-Behauptung: foo(?!bar) passt zu "foo" nur, wenn es nicht von "bar" gefolgt wird.

Positive Rückblick-Behauptung: (?<=foo)bar passt zu "bar" nur nach "foo", und "foo" ist von der Übereinstimmung ausgeschlossen.

Negative Rückblick-Behauptung: (?<!foo)bar passt zu "bar" nur, wenn es nicht mit "foo" beginnt.

Einschränkungen:

• Rückblicke variabler Länge dürfen keine Erfassungsgruppen enthalten. Dies kann durch Einstellen der Eigenschaft AllowUnsafeLookBehind erlaubt werden. Wenn dies aktiviert ist und es im Text mehr als eine Übereinstimmung gibt, die die Gruppe erfassen könnte, dann könnte die falsche Übereinstimmung erfasst werden. Dies beeinträchtigt nicht die Richtigkeit der gesamten Behauptung. (D.h., der Rückblick wird korrekt zurückgeben, ob der Text davor dem Muster entsprach).
• Rückblicke variabler Länge können langsam ausgeführt werden, wenn sie nicht übereinstimmen.

Nicht erfassende Gruppen

Die Syntax ist wie folgt: (?:expr).

Solche Gruppen haben keinen "Index" und sind für Rückverweise unsichtbar. Nicht erfassende Gruppen werden verwendet, wenn du eine Unterexpression gruppieren möchtest, aber sie nicht als übereinstimmenden/erfassten Teil der Zeichenkette speichern möchtest. Also ist dies nur eine Möglichkeit, deinen Regex in Unterexpressionen zu organisieren, ohne die Last der Erfassung des Ergebnisses:

RegEx	Übereinstimmungen
(https?|ftp)://([^/\r\n]+)	in https://sorokin.engineer übereinstimmt https und sorokin.engineer
(?:https?|ftp)://([^/\r\n]+)	in https://sorokin.engineer übereinstimmt nur sorokin.engineer

Atomare Gruppen

Die Syntax ist wie folgt: (?>expr|expr|...).

Atomare Gruppen sind ein Spezialfall von nicht erfassenden Gruppen. Beschreibung von ihnen.

Inline-Modifikatoren

Syntax für einen Modifikator: (?i) zum Einschalten, und (?-i) zum Ausschalten. Viele Modifikatoren sind erlaubt wie: (?msgxr-imsgxr).

Du kannst sie innerhalb des regulären Ausdrucks verwenden, um Modifikatoren on-the-fly zu ändern. Dies kann besonders praktisch sein, weil es lokalen Geltungsbereich in einem regulären Ausdruck hat. Es betrifft nur den Teil des regulären Ausdrucks, der auf (?imsgxr-imsgxr) folgt.

Und wenn es innerhalb einer Gruppe ist, betrifft es nur diese Gruppe - speziell den Teil der Gruppe, der auf die Modifikatoren folgt. Also in ((?i)Saint)-Petersburg betrifft es nur die Gruppe ((?i)Saint), sodass es saint-Petersburg aber nicht saint-petersburg übereinstimmt.

Inline-Modifikatoren können auch als Teil einer nicht erfassenden Gruppe gegeben werden: (?i:Muster).

RegEx	Übereinstimmungen
(?i)Saint-Petersburg	Saint-petersburg und Saint-Petersburg
(?i)Saint-(?-i)Petersburg	Saint-Petersburg aber nicht Saint-petersburg
(?i)(Saint-)?Petersburg	Saint-petersburg und saint-petersburg
((?i)Saint-)?Petersburg	saint-Petersburg, aber nicht saint-petersburg

Kommentare

Die Syntax ist wie folgt: (?#text). Text innerhalb der Klammern wird ignoriert.

Beachte, dass der Kommentar durch das nächstgelegene ) geschlossen wird, also gibt es keine Möglichkeit, ein wörtliches ) im Kommentar zu setzen.

Rekursion

Die Syntax ist (?R), das Alias ist (?0).

Der Regex a(?R)?z passt auf ein oder mehrere "a" gefolgt von genau derselben Anzahl von "z".

Der Hauptzweck der Rekursion ist das Abgleichen von ausgeglichenen oder verschachtelten Konstrukten. Der generische Regex lautet b(?:m|(?R))*e, wobei "b" den Anfang des Konstrukts, "m" das, was in der Mitte des Konstrukts vorkommen kann, und "e" das, was am Ende des Konstrukts steht, darstellt.

Wenn das, was in der Mitte des ausgeglichenen Konstrukts erscheinen kann, auch allein ohne die Anfangs- und Endteile erscheinen kann, dann lautet der generische Regex b(?R)*e|m.

Unterprogrammaufrufe

Syntax für den Aufruf von nummerierten Gruppen: (?1) ... (?90) (der maximale Index ist durch den Code begrenzt).

Syntax für den Aufruf von benannten Gruppen: (?P>name). Auch die Perl-Syntax wird unterstützt: (?&name), \g<name> und \g'name'.

Dies ähnelt der Rekursion, ruft aber nur den Code der Erfassungsgruppe mit dem angegebenen Index auf.

Unicode-Kategorien

Der Unicode-Standard hat Namen für Zeichenkategorien. Dies sind 2-Buchstaben-Strings. Zum Beispiel ist "Lu" für Großbuchstaben, "Ll" für Kleinbuchstaben. Und die 1-Buchstaben-Kategorie "L" steht für alle Buchstaben.

• Cc - Steuerzeichen
• Cf - Format
• Co - Private Nutzung
• Cs - Surrrogat
• Ll - Kleinbuchstabe
• Lm - Modifikationsbuchstabe
• Lo - Anderer Buchstabe
• Lt - Titelbuchstabe
• Lu - Großbuchstabe
• Mc - Zwischenraumzeichen
• Me - Umschließendes Zeichen
• Mn - Nichtabstandzeichen
• Nd - Dezimalzahl
• Nl - Buchstabennummer
• No - Andere Zahl
• Pc - Verbindungszeichen
• Pd - Bindestrich
• Pe - Schließendes Satzzeichen
• Pf - Endendes Satzzeichen
• Pi - Beginnendes Satzzeichen
• Po - Anderes Satzzeichen
• Ps - Öffnendes Satzzeichen
• Sc - Währungszeichen
• Sk - Modifikatorzeichen
• Sm - Mathematisches Zeichen
• So - Anderes Symbol
• Zl - Zeilenseparator
• Zp - Absatzseparator
• Zs - Leerzeichen

Das Metazeichen \p steht für ein Unicode-Zeichen der angegebenen Kategorie. Syntax: \pL und \p{L} für einen 1-Buchstaben-Namen, \p{Lu} für 2-Buchstaben-Namen.

Das Metazeichen \P ist invertiert, es steht für ein Unicode-Zeichen nicht in der angegebenen Kategorie.

Diese Metazeichen werden auch innerhalb von Zeichenklassen unterstützt.

Nachwort

In diesem alten Blogbeitrag aus dem letzten Jahrhundert illustriere ich einige Anwendungen von regulären Ausdrücken.