ریجکس در دنیای واقعی: ۵ الگوی کاربردی برای اعتبارسنجی متن‌های فارسی

کار با داده‌های متنی زبان فارسی در فرم‌ها و وب‌سایت‌ها همیشه یکی از چالش‌برانگیزترین بخش‌های توسعه نرم‌افزار بوده است. از تفاوت بین ارقام فارسی و انگلیسی گرفته تا حضور کاراکترهای مخفی مانند نیم‌فاصله (Zero-Width Non-Joiner) یا همان (ZWNJ)، برنامه‌نویسان را ناچار می‌کند تا به سراغ ابزارهای قدرتمندی مثل عبارات باقاعده یا همان ریجکس (Regex) بروند. نوشتن یک الگوی استاندارد که بتواند خطاهای کاربری را به حداقل برساند و داده‌های تمیز تحویل پایگاه داده بدهد، مهارتی کلیدی است که در این مقاله ۵ الگوی حیاتی آن را بررسی می‌کنیم.

اگر در پروژه‌های وب خود با مسائل مشابه سروکار دارید، پیشنهاد می‌کنیم نگاهی هم به مقاله کاربردی رمزگشایی خطاهای رایج URL Encoding و راهنمای مدیریت لینک‌های فارسی بیندازید تا درک بهتری از نحوه مدیریت کاراکترهای خاص در بستر وب پیدا کنید. در ادامه، الگوهای آماده و تست‌شده‌ای را مرور می‌کنیم که می‌توانید مستقیماً در کدهای پایتون یا جاوااسکریپت خود کپی کنید.

جدول خلاصه‌ی الگوهای ریجکس فارسی

۱. الگوی ریجکس شماره تلفن همراه ایران

شماره‌های موبایل در ایران با پیش‌شماره ۰۹ شروع می‌شوند و ۹ رقم بعد از آن می‌آیند. چالش اصلی کاربران، استفاده از فاصله‌ها، خط تیره یا وارد کردن ارقام به صورت فارسی است. الگوی زیر تمامی این حالات را پوشش می‌دهد.

import re

# الگوی ریجکس برای شماره موبایل ایران (با پشتیبانی از ارقام فارسی و فاصله‌های احتمالی)
mobile_pattern = re.compile(r'^(?:0|98|\+98)?([۰-۹0-9]{10})$')

def validate_mobile(phone_number):
    # پاکسازی کاراکترهای اضافی مثل فاصله یا خط تیره
    cleaned = re.sub(r'[\s\-\(\)]', '', phone_number)
    
    # تبدیل ارقام فارسی به انگلیسی برای پردازش دقیق‌تر
    persian_to_english = str.maketrans('۰۱۲۳۴۵۶۷۸۹', '0123456789')
    normalized = cleaned.translate(persian_to_english)
    
    match = mobile_pattern.match(normalized)
    if match:
        # بررسی اینکه آیا بعد از کد کشور یا صفر، پیش‌شماره با 9 شروع می‌شود
        digits = match.group(1)
        if digits.startswith('9'):
            return True
    return False

# نمونه استفاده
print(validate_mobile("09123456789"))  # خروجی: True
print(validate_mobile("۰۹۱۲ ۳۴۵ ۶۷۸۹")) # خروجی: True
print(validate_mobile("08123456789"))  # خروجی: False

در این قطعه کد، تابع ابتدا کاراکترهای فاصله‌دار و خط تیره را حذف می‌کند. سپس با استفاده از جدول تبدیل یونی‌کد، اعداد فارسی را به انگلیسی برمی‌گرداند تا تطبیق با الگوی \d یا بازه مشخص شده به درستی انجام شود.

۲. الگوی ریجکس ساختار کد ملی ۱۰ رقمی

کد ملی ایران یک رشته دقیقاً ۱۰ رقمی است. اگرچه اعتبارسنجی نهایی کد ملی نیاز به یک الگوریتم ریاضی (چک‌دیجیت) دارد، اما ریجکس اولین خط دفاعی برای جلوگیری از ورود کاراکترهای غیرمجاز یا طول نادرست است.

// تابع اعتبارسنجی ساختار کد ملی در جاوااسکریپت
function isValidNationalCodeStructure(code) {
    // تبدیل ارقام فارسی به انگلیسی در صورت وجود
    const englishCode = code.replace(/[۰-۹]/g, function(w) {
        return '۰۱۲۳۴۵۶۷۸۹'.indexOf(w);
    }).trim();

    // الگوی دقیقاً ۱۰ رقم متوالی
    const nationalCodeRegex = /^[0-9]{10}$/;
    
    if (!nationalCodeRegex.test(englishCode)) {
        return false;
    }
    
    // جلوگیری از وارد کردن ۱۰ رقم یکسان مثل 0000000000
    if (/^(\d)\1{9}$/.test(englishCode)) {
        return false;
    }
    
    return true;
}

// نمونه تست
console.log(isValidNationalCodeStructure("0031234567")); // خروجی: true
console.log(isValidNationalCodeStructure("۱۲۳۴۵۶۷۸۹۰")); // خروجی: true
console.log(isValidNationalCodeStructure("12345"));      // خروجی: false

این کد نه تنها طول ۱۰ رقمی را بررسی می‌کند، بلکه با استفاده از شرط زنجیره‌ای ^(\d)\1{9}$ از ورود کدهای نامعتبری که تمام ارقام آن‌ها یکسان است (مثل ده تا صفر) نیز جلوگیری می‌نماید.

۳. مدیریت نیم‌فاصله (Zero-Width Non-Joiner) در متن‌های فارسی

بسیاری از کاربران به جای استفاده از کاراکتر استاندارد نیم‌فاصله (\u200c)، از فاصله معمولی استفاده می‌کنند که ظاهر متن را خراب می‌کند. برای پیداکردن یا اصلاح این مورد در پردازش متن، از ریجکس زیر بهره می‌بریم.

import re

def fix_half_spaces(text):
    # شناسایی فاصله‌های اشتباه قبل یا بعد از پسوندها و پیشوندها مثل «می‌شود» یا «دانشگاه‌ها»
    # کاراکتر \u200c همان نیم‌فاصله استاندارد است
    pattern = r'\b(می|نمی|بی)\s+([م-ی])'
    
    # اصلاح فاصله معمولی به نیم‌فاصله استاندارد
    fixed_text = re.sub(pattern, r'\1‌\2', text)
    return fixed_text

# نمونه استفاده
sample_text = "او می‌ خواهد کتاب را بخواند."
print(fix_half_spaces(sample_text)) 
# خروجی: او می‌‌خواهد کتاب را بخواند. (با نیم‌فاصله استاندارد)

نکته مهم در اینجا استفاده از کاراکتر یونی‌کد \u200c است. هنگام نوشتن اسکریپت‌های پایتون یا جاوااسکریپت، اطمینان حاصل کنید که فایل سورس کد شما با انکودینگ UTF-8 ذخیره شده باشد تا کاراکترهای فارسی و نیم‌فاصله به درستی خوانده شوند.

۴. الگوی ریجکس پلاک خودروهای ملی ایران

فرمت پلاک‌های جدید خودرو در ایران شامل دو رقم، یک حرف فارسی، سه رقم و دو رقم منطقه است (مثل: ۱۲ ب ۳۴۵ – ۶۷). ساخت این ریجکس نیازمند شناخت دقیق حروف مجاز در پلاک‌های ایران است.

// الگوی پلاک خودروی ملی (ساده‌سازی شده برای فرم‌های ثبت‌نام)
function validateCarPlate(plateStr) {
    // حروف رایج در پلاک ملی (الف، ب، پ، ت، ج، د، ر، ز، س، ش، ص، ط، ع، ف، ق، ک، گ، ل، م، ن، و، ه، ی)
    const persianLetters = '[الف-ی]';
    
    // ساختار: دو رقم + یک حرف + سه رقم + ایران + دو رقم منطقه
    // مثال: 12 ب 345  إيران 67
    const plateRegex = new RegExp(`^([0-9۰-۹]{2})\\s*(${persianLetters})\\s*([0-9۰-۹]{3})\\s*ایران\\s*([0-9۰-۹]{2})$`);
    
    return plateRegex.test(plateStr.trim());
}

// نمونه استفاده
console.log(validateCarPlate("12 ب 345 ایران 11")); // خروجی: true
console.log(validateCarPlate("۱۲ج۴۵۶ایران۲۲"));    // خروجی: true

این الگو به کاربران اجازه می‌دهد پلاک خودرو را با فاصله‌های دلخواه یا حتی بدون فاصله وارد کنند، در حالی که ساختار کلی آن توسط سیستم اعتبارسنجی تایید می‌شود.

۵. پاکسازی و فیلتر کاراکترهای نامعتبر در ورودی‌های متنی

گاهی اوقات کاربران کدهای مخرب یا کاراکترهای کنترلی عجیب را در فرم‌های ثبت‌نام کپی می‌کنند. الگوی زیر به شما کمک می‌کند تمام کاراکترهایی که حروف فارسی، ارقام و علائم نگارشی استاندارد نیستند را حذف کنید.

import re

def sanitize_persian_text(user_input):
    # اجازه دادن فقط به حروف فارسی، اعداد فارسی/انگلیسی، فاصله، نیم‌فاصله و علائم نگارشی متداول
    # استفاده از بازه یونی‌کد حروف فارسی (\u0600-\u06FF)
    pattern = r'[^0-9۰-۹a-zA-Z\u0600-\u06FF\s\u200c\.\,\?\!\،\؛]'
    
    cleaned_text = re.sub(pattern, '', user_input)
    return cleaned_text

# نمونه استفاده
malicious_input = "سلام!  لطفاً بررسی کنید."
print(sanitize_persian_text(malicious_input))
# خروجی: سلام! alert('hack') لطفاً بررسی کنید. (تگ‌های اسکریپت و کاراکترهای غیرمجاز حذف شدند)

اگرچه این روش جایگزین ابزارهای ایمنی سمت سرور مثل Escape کردن خروجی‌ها نمی‌شود، اما به عنوان لایه اول فیلتر در فرانت‌اند بسیار کارآمد است.

پرسش‌های متداول

جمع‌بندی

تسلط بر عبارات باقاعده (Regex) برای مدیریت داده‌های فارسی، ابزاری قدرتمند در جعبه‌ابزار هر برنامه‌نویس وب است. با استفاده از الگوهای ارائه شده در این مقاله برای شماره موبایل، کد ملی، نیم‌فاصله و پاکسازی متن، می‌توانید تجربه کاربری بهتری خلق کنید و از ورود داده‌های مخدوش به سیستم جلوگیری نمایید. پیاده‌سازی این الگوها در لایه فرانت‌اند و تکرار مجدد آن‌ها در سمت سرور، بالاترین سطح امنیت و پایداری را برای نرم‌افزار شما به ارمغان می‌آورد.