Reguläre Ausdrücke in Delphi, Teil 1: Die Kringel lesen lernen

Jeder Entwickler ist irgendwann in freier Wildbahn einem regulären Ausdruck begegnet und hat innerlich gezuckt. Etwa so etwas:

^(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*)@…

Das sieht weniger nach Code aus, als wäre die Katze über die Tastatur gelaufen. Und in der Delphi-Welt kam man lange Zeit gut ohne aus — es gab Pos, Copy, StringReplace und eine TStringList, und damit kommt man sehr weit. In einem gut geschriebenen, handgebauten Parser steckt echtes Handwerk, und niemand muss sich dafür schämen.

Aber es gibt eine Klasse von Problemen, bei denen diese Werkzeuge aus einer Fünf-Minuten-Aufgabe eine hundertzeilige Zustandsmaschine machen: finde jede Telefonnummer in diesem Text, ist das eine gültige Postleitzahl, ziehe aus jedem dieser unterschiedlich formatierten Datumswerte das Jahr heraus. Genau für diese Klasse wurden reguläre Ausdrücke erfunden — eine winzige, dichte Sprache zur Beschreibung von Mustern in Text. Und hier kommt der Teil, den viele Delphi-Entwickler nicht wissen: Seit Delphi XE liefert die RTL eine saubere, moderne Regex-Engine direkt mit, in der Unit System.RegularExpressions. Keine Drittanbieter-Bibliothek, keine DLL, die man ausliefern müsste.

Diese zweiteilige Serie macht Regex erst zugänglich und dann praktisch nutzbar. Teil 1 — dieser hier — bringt Ihnen bei, ein Pattern zu lesen: die Handvoll Symbole, die 90 % der Arbeit leisten, Schritt für Schritt aufgebaut, eine kleine Idee nach der anderen — ganz ohne Delphi-Code, damit nichts vom Konzept ablenkt. Teil 2 setzt das Gelernte mit TRegEx in die Praxis um und zeigt die echte API. Am Ende dieses Teils wird die furchteinflößende Zeile oben lesbar sein. Entzaubern wir die Kringel.

Was ein regulärer Ausdruck eigentlich ist

Nimmt man die einschüchternde Syntax weg, ist die Idee einfach: Ein regulärer Ausdruck (kurz Regex) ist ein kleines Pattern, das eine Menge von Strings beschreibt. Sie geben das Pattern und einen Text an eine Regex-Engine, und sie sagt Ihnen, welche Teile des Textes auf das Pattern passen.

Der entscheidende gedankliche Schritt ist dieser: Die meisten Zeichen in einem Pattern bedeuten einfach sich selbst. Das Pattern cat matcht die Buchstaben c-a-t, nichts Raffiniertes. Die Kraft kommt von einer kleinen Menge spezieller Zeichen — den sogenannten Metazeichen —, die "eine Art von Zeichen" oder "eine Anzahl von Zeichen" bedeuten statt eines wörtlichen Buchstabens. Lernen Sie etwa ein Dutzend davon, und Sie können die allermeisten Patterns lesen, die Ihnen je begegnen werden.

Hier ist das ganze Modell in einem Bild.

Lesen Sie von links nach rechts: Das Pattern \d{5} (das wir gleich entschlüsseln) wird gegen den Satz geprüft, und die Engine meldet den exakten Teilstring zurück, der passt — 15213. Das ist das ganze Spiel. Alles Weitere besteht darin zu lernen, was die Symbole im Pattern bedeuten.

Die Bausteine, vom Kleinsten aufwärts

Bauen wir Leseflüssigkeit auf, wie man jedes Alphabet lernt: ein Symbol nach dem anderen, jedes mit einer klaren Bedeutung in Alltagssprache. Alles Folgende ist Standard-PCRE-Syntax, maßgeblich dokumentiert auf regular-expressions.info — eine Referenz, auf die ich mich stütze, weil sie gründlich und einsteigerfreundlich ist.

Literale — Zeichen, die sich selbst bedeuten

Der Ausgangspunkt ist der am wenigsten überraschende: Gewöhnliche Zeichen matchen sich selbst, in dieser Reihenfolge.

Das Pattern cat matcht cat, wo immer es vorkommt — in cat, in cathedral, in bobcat. Groß-/Kleinschreibung zählt standardmäßig, cat matcht also nicht Cat (das beheben wir in Teil 2 mit einer Option). Wäre das alles, was Regex kann, wäre es nur ein langsameres Pos. Die Magie beginnt mit der nächsten Idee.

Zeichenklassen — "eines von diesen"

Eckige Klammern [...] bedeuten ein Zeichen aus dieser Menge. Hier beginnen Patterns, Arten von Zeichen zu beschreiben statt exakter Zeichen.

• [aeiou] matcht einen beliebigen einzelnen kleingeschriebenen Vokal.
• [0-9] matcht eine beliebige einzelne Ziffer — das - innerhalb der Klammern bedeutet einen Bereich.
• [a-zA-Z] matcht einen beliebigen einzelnen ASCII-Buchstaben, groß oder klein.
• [^0-9] — ein ^ als erstes Zeichen innerhalb der Klammern negiert die Menge: "jedes Zeichen, das keine Ziffer ist."

[0-9][0-9] matcht also zwei beliebige Ziffern hintereinander: 42, 07, 99. Beachten Sie: Wir beschreiben bereits eine ganze Familie von Strings mit einem kurzen Pattern.

Kurzformen — die häufigen Mengen, abgekürzt

Weil "eine beliebige Ziffer" und "ein beliebiger Buchstabe oder eine Ziffer" ständig gebraucht werden, gibt es dafür Backslash-Kurzformen. Das sind die Symbole, die Patterns kryptisch aussehen lassen — aber jedes ist nur ein Spitzname für eine Zeichenklasse, die Sie schon verstehen.

Nun liest sich \d\d\d\d\d als "fünf Ziffern hintereinander". Das ist fast das ZIP-Code-Pattern aus dem Diagramm — wir brauchen nur noch eine sauberere Art, "fünf davon" zu sagen.

Quantifizierer — "wie viele"

Quantifizierer geben an, wie oft sich das vorangehende Element wiederholen darf. Das ist der größte einzelne Sprung an Ausdruckskraft — hier die wichtigen, und direkt danach das Bild dazu.

• * — null oder mehr (so viele wie möglich)
• + — eins oder mehr
• ? — null oder eins (also optional)
• {n} — genau n-mal
• {n,} — n-mal oder öfter
• {n,m} — zwischen n- und m-mal

Damit ist \d{5} endlich lesbar: genau fünf Ziffern — der ZIP-Code. Und \d{5}(-\d{4})? bedeutet "fünf Ziffern, optional gefolgt von einem Bindestrich und vier weiteren" — das US-amerikanische ZIP+4. So bindet sich ein Quantifizierer an das Element direkt davor.

Die Kernaussage, die das Diagramm greifbar macht: {5} schwebt nicht frei — es wiederholt das \d unmittelbar links davon. Ändern Sie das Element, ändert sich, was wiederholt wird: [a-z]{3} sind drei Kleinbuchstaben, .{2} sind zwei beliebige Zeichen.

Anker — "wo", nicht "was"

Anker sind besonders, weil sie eine Position matchen, kein Zeichen. Mit ihnen sagen Sie "das Pattern muss am Anfang oder Ende sitzen" — der Unterschied zwischen dem Validieren eines ganzen Strings und dem bloßen Finden von etwas darin.

• ^ — der Anfang des Strings (oder der Zeile, im Multiline-Modus)
• $ — das Ende des Strings (oder der Zeile)
• \b — eine Wortgrenze, die unsichtbare Naht zwischen einem Wortzeichen und einem Nicht-Wortzeichen

Dieser Unterschied ist enorm wichtig. \d{5} findet fünf Ziffern irgendwo — es matcht fröhlich mitten in ID-15213-X. Aber ^\d{5}$ bedeutet "der String besteht aus nichts als fünf Ziffern" — perfekt zur Validierung. Und \bcat\b matcht das Wort cat, aber nicht das cat in cathedral, weil es mitten in einem Wort keine Wortgrenze gibt.

Gruppen und Alternation — Bündeln und Auswählen

Die letzten beiden Bausteine erlauben es, mehrere Elemente als Einheit zu behandeln und zwischen ihnen zu wählen.

Runde Klammern (...) gruppieren einen Teil eines Patterns, sodass ein Quantifizierer auf die ganze Gruppe wirken kann — und als Bonus, den wir in Teil 2 intensiv nutzen werden, capturen sie das Gematchte, damit man es hinterher herausziehen kann. Der senkrechte Strich | bedeutet oder.

• (ab)+ matcht ab, abab, ababab — das + wiederholt die ganze Gruppe.
• cat|dog|fish matcht eines dieser drei Wörter.
• gr(a|e)y matcht sowohl gray als auch grey — eine Auswahl innerhalb einer Gruppe.

Das ist das komplette Kernvokabular. Mit Literalen, Klassen, Kurzformen, Quantifizierern, Ankern, Gruppen und Alternation können Sie jetzt fast alles lesen.

Alles zusammengesetzt: echte Patterns entschlüsseln

Beweisen wir es, indem wir ein paar Patterns lesen wie einen Satz. Hier ein wirklich nützliches — eine vereinfachte US-Telefonnummer.

\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}

Stück für Stück: \(? eine optionale wörtliche öffnende Klammer (mit Backslash escapt, weil ( ein Sonderzeichen ist), \d{3} drei Ziffern, \)? eine optionale schließende Klammer, [-.\s]? ein optionales einzelnes Trennzeichen — Bindestrich, Punkt oder Leerzeichen —, dann \d{3}, noch ein optionales Trennzeichen und \d{4}. Auf gut Deutsch: drei Ziffern, vier Ziffern, dann... Moment, drei, dann drei, dann vier — es matcht (412) 555-1234, 412.555.1234 und 4125551234 auf einmal. Eine kurze Zeile ersetzt ein Gewirr aus Pos und Copy.

Und nun ist das furchteinflößende E-Mail-Pattern aus der Einleitung deutlich weniger furchteinflößend — Sie erkennen, dass es nur [erlaubte Zeichen]+ vor einem @ ist, gefolgt von einer Domain. Schreiben werden Sie es nicht selbst (das tut niemand — es gibt eine bekannte Referenzversion), aber Sie können es lesen, und genau das ist das Ziel von Teil 1.

Die andere Seite: Wo einfache String-Funktionen weiterhin gewinnen

Im Sinne der richtigen Werkzeugwahl möchte ich klar sagen, wo Regex nicht die Antwort ist — denn reflexartig danach zu greifen ist eine eigene Falle.

Wenn Sie auf einen festen Teilstring prüfen, ist Pos oder Contains schneller geschrieben, schneller ausgeführt und für den nächsten Leser klarer. Bei einer einfachen festen Ersetzung sagt StringReplace genau, was es tut. Regex verdient seinen Platz, wenn das Gesuchte variabel ist — eine Form, kein konkreter String. "Enthält dieser Text das Wort error" ist ein Job für Pos; "beginnt diese Zeile mit einem Zeitstempel" ist ein Job für Regex.

Ein regulärer Ausdruck ist ein Pattern, das eine Menge von Strings beschreibt — lernen Sie das Dutzend Kernsymbole, und Sie können fast jedes Pattern in jeder Sprache lesen.

Was Ihnen Teil 1 mitgibt

Wir wollten reguläre Ausdrücke lesbar machen — und ehrlich sein, wo sie hinpassen. Das nehmen Sie mit in Teil 2:

• Ein Regex ist ein Pattern, das eine Menge von Strings beschreibt; die meisten Zeichen sind wörtlich zu nehmen, und eine kleine Menge von Metazeichen erledigt die schwere Arbeit.
• Das Kernvokabular ist klein: Klassen [...] und Kurzformen \d \w \s .; Quantifizierer * + ? {n} {n,m}; Anker ^ $ \b; und Gruppen/Alternation (...) und |.
• Anker machen den Unterschied zwischen dem Finden eines Patterns und dem Validieren eines ganzen Strings.
• Regex ist für flache Muster da — Validierung, Extraktion, Ersetzen. Für rekursive Strukturen (HTML, JSON) oder feste Teilstrings greifen Sie stattdessen zu einem Parser oder einfachen String-Funktionen.

Jetzt, da Sie die Kringel lesen können, bringt Teil 2 sie dazu, etwas zu tun: der TRegEx-Record, IsMatch / Match / Matches / Replace / Split, Capture Groups, die Sie per Name auslesen können, und die Optionen, mit denen sich Groß-/Kleinschreibung und Multiline-Modus ein- und ausschalten lassen — alles in echtem Delphi. Bis dann.