12

Gostaria de criar um markdown simples, para negrito e itálico por enquanto apenas, por exemplo:

  • **foo** vira <b>foo</b>
  • __bar__ vira <i>bar</i>

Claro que alguns detalhes são necessários, por exemplo em itálico isto não pode funcionar:

 __ foo __

Pois está separado, a primeira e a última letra devem ser grudadas aos "delimitadores", no entanto isso seria válido:

 __foo bar__     => <i>foo bar</i>
 __f o o b a r__ => <i>f o o b a r</i>

Pois espaços entre a primeira a última letra são aceitos.

No momento eu criei isto:

  • Negrito:

    $str = preg_replace('#(^|[^\*])\*\*([^\s\*]([^\*]+?)?[^\s\*])\*\*([^\*]|$)#', '$1<b>$2</b>$4', $str);
    
  • Italico:

    $str = preg_replace('#(^|[^_])__([^\s_]([^_]+?)?[^\s_])__([^_]|$)#', '$1<i>$2</i>$4', $str);
    

Ambas são bem semelhantes e parecem funcionar bem, para explicar melhor a regex:

(^|[^_])__([^\s_]([^_]+?)?[^\s_])__([^_]|$)

  ^     ^   ^     ^        ^     ^   ^
  |     |   |     |        |     |   |
  |     |   |     |        |     |   |
  |     |   |     |        |     |   |
  |     |   |     |        |     |   |
  |     |   |     |        |     |   +-- verifica se após o delimitador não é underscore ou se é o final da string
  |     |   |     |        |     |
  |     |   |     |        |     +-- verifica se o delimitador são 2 underscores
  |     |   |     |        |
  |     |   |     |        +-- o ultimo caractere antes do delimitador não pode ser espaço e nem underscore
  |     |   |     |
  |     |   |     +-- pega qualquer coisa que não seja underscore, esse grupo é opicional
  |     |   |
  |     |   +-- verifica se o que vem após o primeiro delimitador é diferente de espaço e diferente de underscore
  |     |
  |     +-- verifica se o delimitador são 2 underscores
  |
  +-- checa se é o começo da string ou se o que vem antes do delimitador é diferente de underscore _

Exemplo no ideone: https://ideone.com/PL8nTA

No entanto da forma que fiz a não é possível fazer isto:

__foo_bar__

E nem isto:

**foo*bar**

Gostaria de alguma sugestão de melhoria sobre isto ou até então algo totalmente diferente disto, mesmo que seja sem regex.

6
  • 3
    @sam não daria certo em uma frase com seguidos markdowns...
    – MagicHat
    Commented 26/07/2018 às 4:45
  • 1
    @MagicHat bem dito. Markdown não é regular, é livre de contexto. Commented 26/07/2018 às 23:40
  • @GuilehermeNascimento, necessita ser PHP? Nada de JS (sem usar biblioteca de terceiros)? Commented 26/07/2018 às 23:43
  • Li um tempo atrás sobre a especificação do Markdown ser algo bem baguçando. Tirando a finalidade de estudos, não vejo muito o porque fazer isso considerando que existe uma quantidade grande de parsers de markdown em PHP para usar/se inspirar.
    – gmsantos
    Commented 28/07/2018 às 21:15
  • 1
    @gmsantos eu sou uma pessoa que quero construir minhas proprias coisas por uma série de razões, se valer a pena construo, se não valer a pena não irei reinventar a roda, no caso aqui não sei se vale ou não a pena, fora que o meu objetivo é mais estudo do que soluções :)
    – Syzoth
    Commented 28/07/2018 às 21:41

2 Respostas 2

5

A regex não aceita __foo_bar__ por causa da classe de caracteres negados [^_], que corresponde a "qualquer caractere que não seja _". E como foo_bar tem um _, não é encontrado um match.

Para que aceite este caso, temos que incluir outra condição, que é "o caractere _, desde que não tenha outro _ depois". Podemos fazer isso com um lookahead negativo: _(?!_).

Sendo assim, este trecho ficaria [^_]|_(?!_) (um caractere que não é _, ou um _ desde que não tenha outro _ depois).


Outro detalhe é que a regex não aceita casos com somente um caractere entre os delimitadores, como por exemplo __a__ (veja). Isso é porque o [^\s_] aparece duas vezes: uma depois do delimitador inicial, e outra antes do delimitador final. Por isso a regex exige que haja pelo menos dois caracteres entre os delimitadores.

Podemos resolver isso usando um lookahead negativo logo depois do delimitador inicial: troco o [^\s_] por (?![\s_]) (ou seja, não pode ter espaço nem _ depois). A diferença é que o lookahead só olha o que tem à frente, mas não consome o caractere (então se tiver somente um, este será consumido pelos trechos seguintes da regex, permitindo o caso que só tem um caractere).

Também podemos trocar as verificações do início e fim para um lookahead e um lookbehind, para não criar grupos à toa e não precisar incluí-los na substituição. E por fim, deixar apenas um grupo de captura para o conteúdo entre os delimitadores, transformando os demais em grupos de não-captura, trocando o ( por (?:. Assim fico com somente um grupo, e na substituição posso fazer apenas <i>$1</i>.

Ficaria assim:

(?<=^|[^_])__((?![\s_])(?:(?:[^_]|_(?!_))+?)?[^\s_])__(?=[^_]|$)

Veja aqui a regex funcionando

Resumindo:

  • (?<=^|[^_]): lookbehind para verificar se antes do delimitador tem o início da string ou um caractere que não seja _
  • (?![\s_]): lookahead negativo para verificar se depois do delimitador não tem espaço nem _
  • [^_]|_(?!_): um caractere que não seja _, ou um _ desde que não tenha outro _ depois
  • [^\s_]: um caractere que não é espaço nem _
  • (?=[^_]|$): lookahead para verificar se depois do delimitador tem o final da string ou um caractere que não seja _

Para os delimitadores **, basta usar a mesma lógica. Lembrando que o * possui significado especial em regex (é um quantificador que indica "zero ou mais ocorrências") e deve ser escapado com \ (ficando \*), exceto se estiver entre colchetes. Ou seja:

(?<=^|[^*])\*\*((?![\s*])(?:(?:[^*]|\*(?!\*))+?)?[^\s*])\*\*(?=[^*]|$)

Testando:

$q = "
Boa __tarde__ **Bacco**, isto é um **teste** com diversos **negritos** e __sublinhados__

__**um** dois__
**__um__ dois**

-- funciona
__foo bar__
__f o o b a r__
**teste __lorem ipsum__ dolor sit**
__teste **lorem ipsum** dolor sit__
abc__xyz__teste

-- não funcionava na primeira versão
__foo_bar__
__a__
__*__
__foo_*bar__


-- não é para funcionar
__ foo bar__
__foo bar __
_foo__
__ foo __
_foo_
__foo_
__ __
__a____
____a__
_____

-- corner case: aninhado (não tratei pois não sei o que deveria fazer)
__abc__xyz__123__
__abc __xyz__ 123__

-- corner case: escapes
__\___
__a\___
__\_abc__
";

$q = preg_replace('#(?<=^|[^*])\*\*((?![\s*])(?:(?:[^*]|\*(?!\*))+?)?[^\s*])\*\*(?=[^*]|$)#', '<b>$1</b>', $q);
$q = preg_replace('#(?<=^|[^_])__((?![\s_])(?:(?:[^_]|_(?!_))+?)?[^\s_])__(?=[^_]|$)#', '<i>$1</i>', $q);

var_dump($q);

Saída:

string(637) "
Boa <i>tarde</i> <b>Bacco</b>, isto é um <b>teste</b> com diversos <b>negritos</b> e <i>sublinhados</i>

<i><b>um</b> dois</i>
<b><i>um</i> dois</b>

-- funciona
<i>foo bar</i>
<i>f o o b a r</i>
<b>teste <i>lorem ipsum</i> dolor sit</b>
<i>teste <b>lorem ipsum</b> dolor sit</i>
abc<i>xyz</i>teste

-- não funcionava na primeira versão
<i>foo_bar</i>
<i>a</i>
<i>*</i>
<i>foo_*bar</i>


-- não é para funcionar
__ foo bar__
__foo bar __
_foo__
__ foo __
_foo_
__foo_
__ __
__a____
____a__
_____

-- corner case: aninhado (não tratei pois não sei o que deveria fazer)
<i>abc</i>xyz<i>123</i>
__abc <i>xyz</i> 123__

-- corner case: escapes
__\___
__a\___
<i>\_abc</i>
"

Como pode ver, ainda há corner cases a serem tratados:

  • delimitadores aninhados: __abc__xyz__123__ e __abc __xyz__ 123__, que foram substituídos respectivamente por <i>abc</i>xyz<i>123</i> e __abc <i>xyz</i> 123__ (não sei como os parsers costumam tratar esses casos)
  • escapes: \_deveria ser tratado com um caractere comum, por exemplo, __a\___ deveria se tornar <i>a_</i> - veja aqui uma tentativa frustrada de resolver, a solução definitiva creio que será bem mais complicada (tem uma bem complicada a seguir)

Enfim, o ideal é usar um parser de Markdown, regex nem sempre é a melhor solução.


Só para constar, segue uma alternativa para tratar os escapes:

$regex = '#(?<=^|[^_])__(?![\s_])(?=[^_])((?>[^\\\\_]*)(?>(?:(?>\\\\_)|(?>(?!__)_[^_]*))[^\\\\_]*)*)(?<![\s\\\\]|(?=\\\\)_)__(?=[^_]|$)#';
$q = preg_replace($regex, '<i>$1</i>', $q);
$q = preg_replace('/\\\\([*_])/', '$1', $q);

Começando pela segunda regex, que é mais fácil. Ela verifica se tem um \ seguido de _ ou *, e remove o \. Mas a complicada mesmo é a primeira, que verifica se tem um _ escapado. Quebrando-a em partes (e colocando alguns espaços para ficar mais fácil de entender):

(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final

Se quiser, você pode colocá-la no código da maneira acima, usando a flag x para que os espaços e quebras de linha sejam ignorados:

$regex = '#(?<=^|[^_]) __ (?![\s_])
(?=[^_])
(
 (?> [^\\\\_]* )
 (?>
  (?:
    (?> \\\\_) |
    (?> (?!__) _ [^_]* )
  )
  [^\\\\_]*
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)#x';

Esta regex segue a técnica de unroll the loop, na qual você deve identificar as seguintes partes:

  • delimitadores inicial e final: usei a mesma ideia da regex anterior, que é usar lookaheads e lookbehinds para verificar o que tem antes e depois do __ (ou seja, verificar se não tem espaço depois do __ inicial, etc). Só adicionei mais alguns casos para verificar se um dos _ não está escapado com \
  • "normal": o que acontece com mais frequência entre os delimitadores. No caso, são os caracteres que não sejam \ nem _
  • "especial": o que não é normal. No caso, é um escape (\_), ou um _ sozinho (desde que não haja outro _ depois)

A estrutura geral da regex é:

delimitador normal* (?:especial normal*)* delimitador

Como tanto o normal quanto o especial estão marcados com * (zero ou mais ocorrências), a regex aceitaria casos como ____, então eu adicionei o lookahead (?=[^_]) logo depois do delimitador inicial, para garantir que tem pelo menos um caractere.

Também são usados grupos atômicos (marcados por (?>) para reduzir um pouco o backtracking.

Esta regex ignora os casos de escape (\_), mas não os remove, por isso precisei de outra regex para removê-los depois.

Veja aqui esta regex funcionando. Apesar de funcionar, devem ter outros corner cases que ela não pega. Mas mesmo que não tivesse, ainda sim acho que não vale a pena, e usar um parser continua sendo a melhor opção.

3

Depois de vários testes eu criei uma solução, que acredito irá contemplar todos os casos de string identificando as corretas e erradas. Para isso, eu parti da seguinte premissa:

Casos que estão certos:

Entrada:

__correto__
__c o r r e t o__
__c_o_r_r_e_t_o__
__cor   re  to__
__co rre _to__
__a__

Saída:

  • correto
  • c o r r e t o
  • c_o_r_r_e_t_o
  • cor re to
  • co rre _to
  • a

Casos que estão errados:

__errado __
__ errado__
__errado___
___errado__

Isso vale para os casos em negrito

Usando esta regex:

(.?)(__([^_\s]+\s*_?)*[^\s_]+__)([^_]|$)

junto com preg_match_alldo PHP, podemos analisar os grupos da seguinte forma:

(.?) ---> pega qualquer caractere ou não, antes do próximo grupo

(__([^_\s]+\s*_?)*[^\s_]+__)  ([^_]|$) --> verifica se após o delimitador não é underline ou se é o final da string
^   ^             ^      ^
.   .             .      ----------> finaliza grupo com 2 underlines
.   .             .
.   .             ----------> pega um ou mais caracteres diferente de espaço e undeline
.   .
.   ------------------> este grupo pode ter ou não qualquer caractere seguido de 1 ou mais espaços(ou não) seguido de 1 underline(ou não)
.
----------------> inicia grupo com 2 underline

Com a ajuda do PHP, faremos isso:

    $string = "Boa __tarde__ **Bacco**, isto é um **teste** com diversos **negritos** e __sublinha_dos__

    __**um** dois__  **__um__ dois**
    __aqui nao_funciona __ __ nem_aqui,pois está errado__
    __aqui está certo__ ___errado__ __certo__";

    preg_match_all("/(.?)(\*\*([^\*\s]+\s*\*?)*[^\s\*]+\*\*)([^\*]|$)/", $string, $resultNegrito);

    $negrito = $resultNegrito[2];
    $iniNegrito = $resultNegrito[1]; // valores do grupo (.?)
    for($x = 0; $x < count($negrito); $x++){
        if($iniNegrito[$x] != "*"){
            $res = "<b>".substr($negrito[$x],2,strlen($negrito[$x]) -4)."</b>";
            $string = str_replace($negrito[$x],$res,$string);
        }
    }

    preg_match_all("/(.?)(__([^_\s]+\s*_?)*[^\s_]+__)([^_]|$)/", $string, $resultSublinhado);

   $sublinhado = $resultSublinhado[2];
    $iniSublinhado = $resultSublinhado[1]; // valores do grupo (.?)
    for($x = 0; $x < count($sublinhado); $x++){
        if($iniSublinhado[$x] != "_"){
            $res = "<u>".substr($sublinhado[$x],2,strlen($sublinhado[$x]) -4)."</u>";
            $string = str_replace($sublinhado[$x],$res,$string);
        }
    }

    echo $string;

IDEONE

ESCAPES..

Neste script você consegue usar barras invertidas para criar textos sublinhados ou em negrito que estão fora do padrão. Imagine que usuário queira sublinhar isto: __METHOD__ .Para isso, basta ele aplicar assim: __\_\_METHOD_\_\__

Usando o stripslashes do PHP você retira as barras invertidas usadas deixando o texto limpo.

Um exemplo com o texto:

Para gerar um construtor nas recentes **\*versões do php*\**, 
usa-se o __**\_\_construct()**__ 
**esta é a __forma correta__** para usar. 

No **php** Existe a possibilidade de usar a 
contante mágica __\_\_FUNCTION_\_\__ para pegar o nome da função. 

__Neste script__, se eu quiser usar um **\*escape*\** para a 
barra inversa dentro de um sublinhado ou negrito, basta 
multiplica-lo por 3. Assim:

            __\\\_teste_\\\__

A saída usando echo stripslashes($string) será:

Para gerar um construtor nas recentes <b>*versões do php*</b>, usa-se o <u><b>__construct()</b></u> <b>esta é a <u>forma correta</u></b> para usar. 

No <b>php</b> Existe a possibilidade de usar a contante mágica <u>__FUNCTION__</u> para pegar o nome da função. 

<u>Neste script</u>, se eu quiser usar um <b>*escape*</b> para a barra inversa dentro de um sublinhado ou negrito, basta multiplica-lo por 3. Assim:

<u>\_teste_\</u>

7
  • Caro Andrei, primeiro obrigado por responder, segundo, me desculpe mas preciso ser sincero, este uso do _{1} "não tem efeito", é o mesmo que sem ele, fora que não resolve o problema citado no final da pergunta. Irei aguardar sua edição. Até breve.
    – Syzoth
    Commented 28/07/2018 às 0:22
  • @GuilhermeNascimento Eu que agradeço sua paciência. você tem rasão. Esses {1} não tem efeito. Porém, ele funciona para o caso __fo_bar__ veja: regexr.com/3t45l Commented 28/07/2018 às 0:33
  • @GuilhermeNascimento fiz a alteração e coloquei um link. Dá uma olhada. Talvez eu não tenha entendido direito o problema. Commented 28/07/2018 às 0:41
  • 1
    Caro Andrei até funciona, mas é mais ou menos, tem a questão do seu permitir coisas como __a_______ provavelmente, devido ao final do "grupo b", cujo a intenção é evitar, os delimitadadores tem que ser sempre 2, ou seja seguido de qualquer caractere que não seja _, o mesmo vale para espaços, cujo o seu regex permite fazer isso __foo __, mas vai tentando, tenho certeza que vai sair algo bom :) Obrigado desde já!
    – Syzoth
    Commented 28/07/2018 às 0:46
  • @GuilhermeNascimento tem rasão! Valeu a tentativa... =/ ... Vou tentar outras coisas, qualquer coisa eu posto aqui. Abraço! Commented 28/07/2018 às 0:49

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .