Strings and Regular Expressions

1. Strings and Regular Expressions Adapted from: Mac Newbold slides

2. Outline • Intro to Strings in PHP • Functions relating to HTML, SQL, etc. • Performance/Speed considerations • Grab bag of cool string functions • Regular Expressions • PCRE • POSIX

3. Must-Have String Functions • www.php.net/strings • echo/print • چاپ رشته در خروجی • trim, ltrim, rtrim/chop • حذف فواصل سفید ( یا کاراکترهای دلخواه) • $trimmed = rtrim($text, " \t."); • explode, implode/join • $arr = explode(“ “, “List of words”); • $str = implode(“,”,$arr); جدا کننده

4. Obligatory C-like Functions • printf, sprintf, sscanf, fprintf • strcmp, strlen, • strpos, • $pos = strpos($mystring, $findme); • Strtok • یک رشته را بر اساس کاراکترهای داده شده به چند رشته کوچکتر (نشانه) تبدیل می کند. • $tok = strtok($string, " \n\t"); • نکات: • درتوابعی مثل strpos خروجی صفر معتبر است و به معنای false نیست. در این حالتها ، برای چک کردن خروجی از “===false” استفاده کنید. • برای هر رشته، تابع strtok بار اول با هر دو پارامتر و دفعات بعدی فقط با پارامتر دوم صدا زده می شود.

5. Basic String Manipulation • str_replace(“bar”,”baz”,”foobar”); • str_repeat(“1234567890”,8); • strtolower, strtoupper • ucfirst, ucwords • اولین کاراکتر جمله، یا اولین کاراکتر هر کلمه را به بزرگ تبدیل کن. • str_pad(“tooshort”,15,” ”); • تابع str_pad دارای آرگومان چهارمی هم نیز هست که جهت اضافه کردن pad را مشخص می کند. سایز نهایی پد

6. <?php $text = "The quick brown fox jumped over the lazy dog."; $newtext = wordwrap($text, 20, "<br />\n"); echo $newtext;?> خروجی: The quick brown fox<br /> jumped over the lazy<br /> dog.

7. Formatting functions • vprintf, vfprintf, vsprintf • خروجی فرمت دار print vsprintf("%04d-%02d-%02d", explode('-', '1988-8-1'));  // 1988-08-01 • number_format • دسته بندی هزار تایی • money_format • فرمت مناسب برای پول string money_format ( string $format , float $number )

8. Formatting functions • date(), strftime() • تبدیل زمان به رشته • strtotime(), strptime() • تبدیل رشته به زمان

9. URL Functions • urlencode, urldecode • کاراکترهای غیر نوشتاری را به %[hex] و ‘ ‘ را به ’+’تبدیل می کند. echo '<a href="mycgi?foo=', urlencode($userinput), '">'; • rawurl{en,de}code بجز در مورد ‘+’ در بقیه موارد مثل url{en, de}code عمل می کند. • parse_url • URL داده شده را به host, path و query تبدیل می کند. • http_build_query • یک آرایه را تبدیل به یک query آرایه ای تبدیل می کند. <?php $data = array('foo'=>'bar', 'baz'=>'boom', 'cow'=>'milk');echo http_build_query($data);// foo=bar&baz=boom&cow=milk • base64_{en,de}code • تبدیل base64 که در MIME استفاده می شود.

10. HTML Functions • htmlspecialchars • کاراکترهای &, “, <, و > را با &amp;, &quot;, &lt;, و &gt; جایگزین می کند. • htmlentities کاراکترهای بیشتری را جایگزین می کند. • html_entity_decode معکوس htmlentities است. • nl2br • (\n) را با برچسب <br> عوض می کند. • parse_str • یک query از نوع GET را به متغییر (از نوع آرایه) تجزیه می کند.

11. strip_tags • برچسبهای HTML را جدا می کند. <?php$text = '<p>Test paragraph.</p><!-- Comment --> <a href="#fragment">Other text</a>';echo strip_tags($text);echo "\n";// Allow <p> and <a>echo strip_tags($text, '<p><a>');?> Test paragraph. Other text <p>Test paragraph.</p> <a href="#fragment">Other text</a>

12. Grab Bag • md5, md5_file • با استفاده از md5 رشته یا فایل داده شده را رمز می کند. • برای ذخیره رمز عبور در پایگاه داده مفید است. • levenshtein, similar_text • درجه مشابهت نوشتاری دو رشته را محاسبه می کند. • metaphone, soundex • درجه مشابهت گفتاری دو رشته را محاسبه می کند. • str_rot13 • یک الگوریتم رمز نگاری

13. Grab Bag 2 • str_shuffle • کاراکترهای کلمه را به هم می ریزد. • count_chars, str_word_count • آماری مفید در مورد رشته • str_rev • معکوس کردن یک رشته • قاعده سر انگشتی: از ساده ترین تابعی که کار را انجام می دهد استفاده کنید. • از strpos به جای substr استفاده کنید. • از str_replace به جای preg_replace استفاده کنید.

14. Regular Expressions • عبارات منظم یک ابزار بسیار قوی برای تطابق الگو است. • کامپایلرها و مفسرها نیز در اجرای برنامه از این تکنیک استفاده می کنند. • در PHP دو پیاده سازی از عبارات منظم وجود دارد: • PCRE – Perl-Compatible Regular Expressions • POSIX Extended • PCRE • زبانهای زیادی از این روش استفاده می کنند و binary-safe است. همچنین سریعتر و دارای قابلیتهای بیشتری است.

15. Basics of RE’s • RE ها با الگوها مطابقت می کنند. قسمت جالب الگویی است که می خواهید RE با آن مطابقت کند. • الگو باید دقیق باشد. یعنی هر آنچه که می خواهید و هر آنچه که نمی خواهید را دقیقا مشخص نمایید. • اشخاص معمولا با احتیاط از RE استفاده می کنند چون جزییات می توانند مخاطره آمیز باشند. • اما به هر حال RE ها یکی از بهترین ابزارهایی هستند که می شود از آنها برای انجام کارهای اعجاب برانگیز استفاده نمود.

16. More on REs . # Any single character except a newline ^ # The beginning of the line or string $ # The end of the line or string * # Zero or more of the last character + # One or more of the last character ? # Zero or one of the last character {n} # n times {n,m} # n to m times t.e # t followed by anything followed by e. This will match tre, tle but not te, tale ^f # f at the beginning of a line ^ftp # ftpat the beginning of a line e$ # eat the end of a line tle$ # tleat the end of a line und* # unfollowed by zero or moredcharacters. This will matchun, und, undd, unddd,… .* # Any string without a newline. This is because the. matches anything except # a newline and the *means zero or more of these. ^$ # A line with nothing in it. Remember that the RE should be enclosed in /.../ slashes to be used.

17. Even more on REs jelly|cream # Either jelly or cream (eg|le)gs # Either eggs or legs (da)+ # Either da or dada or dadada or... [qjk]# Either q or j or k [^qjk]# Neither q nor j nor k [a-z]# Anything from a to z inclusive [^a-z]# No lower case letters [a-zA-Z]# Any letter [a-z]+# Any non-zero sequence of lower case letters • –یعنی بینِ • ^یعنی بدونِ از | برای ”یا“ی منطقی و از (...) برای گروه بندی اشیاء استفاده کنید.

18. Still More on REs \n # A newline \t # A tab \w # Any alphanumeric (word) character. # The same as [a-zA-Z0-9_] \W # Any non-word character. # The same as [^a-zA-Z0-9_] \d # Any digit. The same as [0-9] \D # Any non-digit. The same as [^0-9] \s # Any whitespace character: space, # tab, newline, etc \S # Any non-whitespace character \b # A word boundary, outside [] only \B # No word boundary \| # Vertical bar \[ # An open square bracket \) # A closing parenthesis \* # An asterisk \^ # A carat symbol \/ # A slash \\ # A backslash

19. Some Example REs [01] # Either "0" or "1" \/0 # A division by zero: "/0" \/ 0 # A division by zero with a space: "/ 0" \/\s0 # A division by zero with a whitespace: # "/ 0" where the space may be a tab etc. \/ *0 # A division by zero with possibly some # spaces: "/0" or "/ 0" or "/ 0" etc. \/\s*0 # A division by zero with possibly some whitespace. \/\s*0\.0* # As the previous one, but with decimal # point and maybe some 0s after it. Accepts # "/0." and "/0.0" and "/0.00" etc and # "/ 0." and "/ 0.0" and "/ 0.00" etc. (abc)+(def|123)*(.{2})* # At least one abc, maybe some triplets, then an even # number of characters

20. Greediness and Modifiers • عبارات منظم حریص هستند! • آنها تا جایی که می توانند عمل تطبیق را ادامه می دهند. • مثال: رفتار “<.*>” را با “<[^>]*>” را هنگام مطابقت با “<b>Hi</b>” مقایسه کنید. • نسخه PCRE دارای بهبود دهنده (modifier) نیز هست: • /<pattern>/<mods> • /i = case insensitive • /U = un-greedy • /m = multi-line

21. Back References • پرانتز علاوه بر گروه بندی دارای خاصیت ذخیره مقدار داخل پرانتز نیز هست. • می توان با استفاده از \ و یک شماره به مقدار ذخیره شده دسترسی داشت. • مثلا “ab(.)\1(.)\2” با abccdd یا abxxyy مطابقت دارد اما با abcccd یا abdcdc مطابقت ندارد. • وقتی که از پرانتزهای تودرتو استفاده می کنیم ؛ تشخیص اینکه هر شماره به کدام پرانتز اشاره دارد دشوار می شود.

22. PCRE Specifics • www.php.net/pcre • preg_match, preg_match_all, preg_replace, preg_split, preg_grep (filter an array) • Perl RE’s have a delimiter, usually /, but can be anything: • preg_match(“/foo/”,$bar); • preg_match(“%/usr/local/bin/%”,$path);

23. POSIX Specifics • www.php.net/regex • ereg, ereg_replace, split, eregi, spliti, etc. • [Only] Advantage over PCRE: It doesn’t require the PCRE library to be installed, so it’s always there in any PHP installation • Other regex engines support this specification, though the Perl style seems to be more popular.