చాలా మంది ప్రోగ్రామర్లకు ఒక లోపం (blind spot) ఉంటుంది. వారు ఒక డిస్ట్రిట్యూటెడ్ సిస్టమ్ను సంతోషంగా డీబగ్ చేస్తారు లేదా కొత్త ఫ్రేమ్వర్క్తో పోరాడుతారు, కానీ పది సెకన్లలో పూర్తయ్యే ఒక మాన్యువల్ టెక్స్ట్ ఎడిట్ కోసం ఇరవై నిమిషాలు గడుపుతారు. దీనికి కారణం ఎప్పుడూ ఒకటే: రెగ్యులర్ ఎక్స్ప్రెషన్స్ (regex) చూడటానికి 'లైన్ నాయిస్' (line noise) లాగా అనిపిస్తాయి. సాధారణంగా ఇవి స్లాష్లు, బ్యాక్స్లాష్లు మరియు విరామ చిహ్నాలతో నిండిన ఒక గోడలా కనిపిస్తాయి, ఇవి 1990ల నాటి మోడెమ్ నుండి వచ్చినట్లు అనిపిస్తాయి. ఆ దృశ్యపరమైన గందరగోళం సమర్థులైన వ్యక్తులను కూడా ఒక విలువైన నైపుణ్యం నుండి దూరం చేస్తుంది.
మంచి వార్త ఏమిటంటే, regex కష్టమైనది కాదు. అది కేవలం సాంద్రత (dense) కలిగినది. చిహ్నాలు తక్కువ స్థలంలో విపరీతమైన అర్థాన్ని కలిగి ఉంటాయి, కాబట్టి అక్కడ నిజానికి ఒక ఖచ్చితమైన వివరణ ఉన్నప్పటికీ, మీ కళ్ళు అక్కడ ఏదో యాదృచ్ఛికత (randomness) ఉన్నట్లు భావిస్తాయి. మీకు సరైన మానసిక నమూనా (mental model) ఏర్పడిన తర్వాత, మీరు చిహ్నాలను ఒక్కొక్కటిగా డీకోడ్ చేయడానికి ప్రయత్నించరు, బదులుగా అవి సూచించే ఆకారాన్ని (shape) చదువుతారు. మీరు అలా చేసినప్పుడు, ఆ గందరగోళం పూర్తిగా తొలగిపోతుంది.
ఒక నమూనా (Pattern), ప్రోగ్రామ్ కాదు
రెగ్యులర్ ఎక్స్ప్రెషన్ అంటే నిజానికి ఏమిటో అర్థం చేసుకోవడమే ఇక్కడ ప్రాథమిక మార్పు. మీరు రాసే చాలా కోడ్ ప్రొసీజరల్ (procedural) గా ఉంటుంది: ఇది చేయి, తర్వాత అది చేయి, ఈ కండిషన్ను తనిఖీ చేయి, మళ్ళీ లూప్ చేయి. regex అనేది ఒక ప్రొసీజర్ కాదు. అది టెక్స్ట్ ఎలా ఉండాలో వివరించే ఒక స్టాటిక్ ప్యాటర్న్ (static pattern). మీరు ఎలా వెతకాలో సూచనలు రాయడం లేదు; మీరు మ్యాచింగ్ ఇంజిన్కు ఒక స్కెచ్ ఇచ్చి, పనిని దానికే వదిలేస్తున్నారు.
దీనిని సాధారణ ఇంగ్లీష్లో ఆకారాలను వివరించడంలా ఊహించుకోండి:
- ఐదు అంకెల సంఖ్య.
- ఒక ఈమెయిల్ అడ్రస్.
- క్యాపిటల్ లెటర్తో మొదలయ్యే ఒక లైన్.
regex చేసేది అంతా ఇదే, అయితే ఇది సంక్షిప్తమైన అక్షరమాలను (compressed alphabet) ఉపయోగిస్తుంది. మీరు \d{5} చూసినప్పుడు, అది మ్యాజిక్ కాదు. మీరు "ఒక అంకె, ఐదు సార్లు" అని చూస్తున్నారు. మీరు ^[A-Z] చూసినప్పుడు, "లైన్ ప్రారంభం, దాని తర్వాత ఒక క్యాపిటల్ లెటర్" అని అర్థం చేసుకుంటున్నారు. ఈ నైపుణ్యం అనేది బట్టీ పట్టడం కాదు. ప్యాటర్న్ను చూడగానే దానిని తిరిగి సాధారణ ఇంగ్లీష్ వివరణలోకి అనువదించడం నేర్చుకోవడం. మీరు ఆ అనువాదాన్ని చేయగలిగినప్పుడు, భయం పోతుంది.
సమయం నిజంగా ఎక్కడ వృథా అవుతుంది
ప్రజలు తగినంత ఇబ్బంది పడిన తర్వాతే regex నేర్చుకోవడానికి ప్రయత్నిస్తారు. ఒక మంచి పద్ధతి ఏమిటంటే, ఒక పని కోసం మధ్యాహ్నం అంతా వృథా చేసే ముందు, దానికి ఒక ప్యాటర్న్ అవసరమని గుర్తించడం.
రెండు వందల పేజీల డాక్యుమెంట్లో ప్రతి తేదీని కనుగొనాలంటే, regex ఒకేసారి వాటిని గుర్తించగలదు. మీ అప్లికేషన్ అంగీకరించే ముందు యూజర్ నిజమైన URL టైప్ చేశారో లేదో ధృవీకరించాలంటే, ఒక ప్యాటర్న్ ఆ అడ్రస్ యొక్క ప్రాథమిక ఆకారాన్ని నిర్ధారించగలదు. మీరు వెబ్సైట్ నుండి కాపీ చేసిన టెక్స్ట్ను క్లీన్ చేస్తున్నప్పుడు మరియు బహుళ స్పేస్లను ఒకే స్పేస్గా మార్చాలనుకున్నప్పుడు, ఒక రిప్లేస్మెంట్ regex కేవలం నాలుగు అక్షరాలతో పూర్తవుతుంది. మీరు గందరగోళంగా ఉన్న సర్వర్ లాగ్ల నుండి డేటాను సేకరిస్తుంటే, అన్స్ట్రక్చర్డ్ టెక్స్ట్ మరియు స్ట్రక్చర్డ్ రిపోర్ట్ మధ్య regex మాత్రమే సరైన వంతెనగా ఉంటుంది.
ఇక్కడ పాటించాల్సిన ఒక సాధారణ నియమం ఉంది: మీరు ఒక టెక్స్ట్ ఎడిట్ను యాభై సార్లు మాన్యువల్గా చేయబోతుంటే, ఆపండి. దానికి బదులుగా ఒక ప్యాటర్న్ను రాయండి. మాన్యువల్ రిపిటీషన్ అనేది నెమ్మదైనది మాత్రమే కాదు; అది నమ్మదగినది కూడా కాదు. మీరు నలభై ఏడవ సందర్భాన్ని వదిలివేయవచ్చు లేదా ముప్పై మూడవ సందర్భంలో టైపింగ్ తప్పు చేయవచ్చు. ఒక ప్యాటర్న్ ఆ పనిని ఒక్కసారి మాత్రమే, సరిగ్గా చేస్తుంది మరియు మీరు అనుసరిస్తున్న నియమాన్ని కూడా డాక్యుమెంట్ చేస్తుంది.
పనిచేసే లెర్నింగ్ లూప్ (Learning Loop)
మీరు గుర్తుంచుకున్న దాని నుండి ఖచ్చితమైన ప్యాటర్న్లను టైప్ చేయడానికి ప్రయత్నించకండి. అలా చేస్తేనే అసహనం పెరుగుతుంది. దానికి బదులుగా, సింటాక్స్లో చిక్కుకుపోకుండా మిమ్మల్ని ముందుకు నడిపించే ఒక పద్ధతిని అనుసరించండి.
- ఆకారాన్ని మాటల్లో వివరించండి. మీరు ఏదైనా ప్రత్యేక అక్షరాన్ని (special character) తాకకముందే, మీకు ఖచ్చితంగా ఏమి కావాలో రాసుకోండి. "నాలుగు అంకెలు, తర్వాత ఒక డ్యాష్, తర్వాత రెండు అంకెలు, తర్వాత ఒక డ్యాష్, తర్వాత రెండు అంకెలు." మీరు దానిని స్పష్టంగా చెప్పలేకపోతే, మీరు దానికి ప్యాటర్న్ రాయలేరు.
- మొదటి డ్రాఫ్ట్ను రూపొందించండి. మీ వివరణను సాధ్యమైనంత వరకు విస్తృతమైన చిహ్నాలను ఉపయోగించి ప్రాథమిక ప్యాటర్న్గా మార్చండి. పరిపూర్ణత గురించి చింతించకండి. మీరు ఒక ప్రోటోటైప్ను నిర్మిస్తున్నారు,