Gumbos Blog

Ich habe mal wieder aus Ärger darüber, immer wieder Zeichenmengen für reguläre Ausdrücke aus einer vorgegebene Menge von Zeichen per Hand erstellen zu müssen, eine Hilfsfunktion geschrieben.

PHP-Code:

function preg_createCharacterSet($chars, $complement=false, $basicSet=null)
{
    $retVal = '';
    $sc = implode('', array_merge(range("\x00", "\x20"), array("\x2D", "\x5B", "\x5C", "\x5D"), range("\x7F", "\xFF")));
    if (!is_string($chars)) {
        return false;
    }
    $chars = array_unique(unpack('C*', $chars));
    sort($chars);
    if ($complement) {
        if (!is_string($basicSet)) {
            $charRange = range(0, 127);
        } else {
            $charRange = array_unique(unpack('C*', $basicSet));
        }
        $chars = array_diff($charRange, $chars);
        $chars = array_values($chars);
    }
    $count = count($chars);
    for ($i=0, $char=null; $i<$count; $i++) {
        $char = $chars[$i];
        if (strpos($sc, $char)!==false) {
            $range = sprintf('\\x%02x', $char);
        } else {
            $range = chr($char);
        }
        for ($j=1; $j<$count-$i; $j++) {
            if (($char+$j)!=$chars[$i+$j]) {
                break;
            }
        }
        $j--;
        if ($char!=$chars[$i+$j]) {
            $i += $j;
            $char = $chars[$i];
            if (strpos($sc, $char)!==false) {
                $range .= '-'.sprintf('\\x%02x', $char);
            } else {
                $range .= '-'.chr($char);
            }
        }
        $retVal .= $range;
    }
    return $retVal;
} 


Die Anwendung ist denkbar simpel: einfach eine Zeichenkette der Zeichen angeben, die zu einer Zeichenmenge zusammengefasst werden sollen:

PHP-Code:

$regexp = '['. preg_createCharacterSet("()<>@,;:\\\"/[]?={} \t").']'; 


Um das Komplement zu erhalten, einfach den zweiten Parameter auf true setzen:

PHP-Code:

$regexp = '['. preg_createCharacterSet("()<>@,;:\\\"/[]?={} \t", true).']'; 


Mit dem dritte Parameter kann die Grundmenge für das Komplement angegeben werden. Der Standardwert ist der ASCII-Zeichensatz.

Wozu das nützlich ist, möchte ich euch an folgendem Beispiel verdeutlichen, indem ein regulärer Ausdruck für den „quoted-string“ Token (siehe RFC 822) erzeugt wird:

PHP-Code:

//                                             ; (  Octal, Decimal.)
// CHAR        =  <any ASCII character>        ; (  0-177,  0.-127.)
$CHAR = implode('', range("\x00", "\x7F"));

// quoted-pair =  "\" CHAR                     ; may quote any char
$quotedPair = '(?:\x5C['.preg_createCharacterSet($CHAR).'])';

// qtext       =  <any CHAR excepting <">,     ; => may be folded
//                 "\" & CR, and including
//                  linear-white-space>
$qtext = '(?:['.preg_createCharacterSet("\"\\\r", true, $CHAR).'])';

// quoted-string = <"> *(qtext/quoted-pair) <">; Regular qtext or
//                                             ;   quoted chars.
$quotedString = '"(?:'.$qtext.'|'.$quotedPair.')*"';