Regexp - biblioteksløyd 2016-03-17

class: center, middle, inverse

# Regulære uttrykk
Biblioteksløyd 2016-03-17

.footnote[Slides: https://scriptotek.github.io/2016-03-17-BS/slides/1.4-regexp.html]

---

# Regulære uttrykk / regular expressions (regex)

- Et enkelt språk for å beskrive tekstmønstre.
- Brukes i mange tekstbehandlere og verktøy for å gjøre "søk og erstatt" og lignende.

- Eksempler:
  - `organi[sz]e` matcher både "organise" og "organize".

---

# Regulære uttrykk / regular expressions (regex)

- Et enkelt språk for å beskrive tekstmønstre.
- Brukes i mange tekstbehandlere og verktøy for å gjøre "søk og erstatt" og lignende.

- Eksempler:
  - `organi[sz]e` er et regulært uttrykk som matcher både `organise` og `organize`.
  - … men også `reorganize`, `organizer` osv..

---

# Prøv

- http://www.regexr.com/

---

# Oppgave 1

I filen `sample.csv`: Finn alle linjer som *begynner* med `020`

Tips:
- `^` matcher begynnelsen av linjen

???

Svar: `^020`

---

# Oppgave 2

I filen `sample.csv`: Finn alle forekomster av `no-ubo-mn` eller `noubomn`.

Tips:
- Bruk `?` med bindestrekene for match 0 eller 1 ganger

???

Svar: `no-?ubo-?mn`

---

# Oppgave 3

I filen `sample.csv`: Finn alle etternavn på fire bokstaver

Tips:
- I denne oppgaven kan du anta at etternavnene kun inneholder `a-zA-Z` eller `\w`
- Bruk `{4}` for å angi antall ganger

???

Svar: `\w{4},`

---

# Oppgave 4

I filen `sample.mrc` vil du fjerne alle andre delfelt enn `$a`.
- Merk at `$` i regex betyr "slutten av linja", så for å faktisk matche dollar-tegnet må du "escape" det ved å legge på en backslash (`\`) foran, slik: `\$`

Tips:
- `[abc]` matcher `a`, `b` eller `c`
- `[^abc]` matcher alt annet enn `a`, `b` eller `c`
- `.` (punktum) matcher ethvert tegn bortsett fra linjeskift
- `*` : 0 eller flere ganger, `+` 1 eller flere ganger, `?` 0 eller 1 gang

???

- Svar: `\$[^a] .*`

---

# Oppgave 5

2. Finne alle tagger i et html-dokument.

???

Svar: `</?[^>]+>`

---

# Oppgave 6

alma-records.marc21.xml inneholder 50 marc21-poster. Hvor mange av dem har språkkode "nob" i posisjon 35-37 i 008-feltet?

Tips:
- bruk `.` for å matche de 35 foregående tegnene
- `{}` for å angi antall tegn (35).

???

- Svar: `"008">.{35}nob`

---