Ubuntu Manpage: regex - expressões regulares do POSIX 1003.2

Provided by: manpages-pt_20040726-2_all

NOME

       regex - expressões regulares do POSIX 1003.2

DESCRIÇÃO

Expressões regulares (ERs), como definidas no POSIX 1003.2, vêm em duas
formas: REs modernas (grosseiramente, aquelas de egrep; o 1003.2 chama
essas de ERs "estendidas" ERs) e ERs obsoletas (grosseiramente, aquelas
de ed(1); REs "básicas" do 1003.2). REs obsoletas existem
principalmente por causa de compatibilidade retrógrada em alguns
programas antigos; eles serão discutidos no final. O 1003.2 deixa
alguns aspectos da sintaxe e da semântica das ERs em aberto; portáveis
para outras implementações do 1003.2.

Uma (moderna) ER é uma† ou mais† ramifica����es† não-vazias† , separadas
por ’|’. Ele encontra tudo o que casa com uma das ramificações.

Uma ramificação é um† ou mais peda��os, concatenados. Ele encontra um
casamento para o primeiro, seguido por um casamento para o segundo,
etc.

Um pedaço é um ��tomo possivelmente seguido por um † ’*’, ’+’, Um átomo
seguido por ’*’ encontra uma sequência de 0 ou mais casamentos do
átomo. Um átomo seguido por ’+’ encontra uma sequência de 1 ou mais
casamentos do átomo. Um átomo seguido por ’?’ encontra uma sequência
de 0 ou 1 casamento do átomo.

Uma composição é ’{’ seguido por um inteiro decimal sem sinal,
possivelmente seguido por ’,’ , possivelmente seguido por outro
inteiro decimal sem sinal, sempre seguido por ’}’. Os inteiros devem
estar entre 0 e RE_DUP_MAX (255†) inclusive, e se houver dois deles, o
primeiro e não pode exceder o segundo. Um átomo seguido por uma
composição contendo um inteiro i, sem vírgula, encontra uma sequência
de i ou mais casamentos do átomo. Um átomo seguido por uma composição
contendo dois inteiros i encontra uma sequencia de um mais i casamentos
do átomo. Um átomo seguido por uma composição contendo dois inteiros i
e j encontra uma sequência de i até j (inclusive) casamentos do átomo.

Um átomo é uma expressão regular englobada em ’()’ (encontrando um
casamento para a expressão regular), um conjunto vazio de ’()’
(encontrando a string nula)†, uma express��o agrupada (ver abaixo), ’.’
(encontrando qualquer caractere simples), ’^’ (encontrando a string
nula no começo de uma linha), ’$’ (encontrando a string nula no fim de
uma linha), um ’\’ seguido de um dos caracteres (encontrando aquele
caractere tomado como um caractere ordinário), um ’\’ seguido por
qualquer outro caractere† (encontrando aquele caractere tomado como um
caractere ordinário, como se o ’\’ não estivesse presente†), ou um
caractere simples se outro significado (encontrando qualquer
caractere). Um ’{’ seguido por um caractere diferente de um dígito é
um caractere ordinário, não o início de uma composição†. É ilegal
terminar uma ER com ’\’.

Uma express��o agrupada é uma lista de caracteres englobados por um
’[]’. Ele normalmente encontra qualquer caractere simples da lista
(mas veja abaixo). Se a lista começa com ’^’, ele encontra qualquer
caractere simples (mas veja abaixo) que não venha do resto da lista.
Se dois caracteres na lista são separados por ’-’, isto é uma
abreviação para a range completa de caracteres entre aqueles dois
(inclusive) na sequência de combinação, por exemplo, ’[0-9]’ em ASCII
encontra qualquer dígito decimal. É ilegal † que duas faixas
compartilhem um ponto final, por exemplo, ’a-c-e’. As faixas são muito
dependentes de sequência de combinação, e programas portáveis devem
evitar confiar nelas.

Para incluir um literal ’]’ na lista, torne-o o primeiro caractere
(seguindo um possível ’^’). Para incluir um literal ’-’, torne-o o
primeiro ou o último caractere, ou o segundo ponto final da faixa.
Para usar um literal ’-’ como o primeiro ponto final da faixa, englobe-
o entre ’[.’ e ’.]’ para torná-lo um elemento de combinação (veja
abaixo). Com a exceção destas e algumas combinações usando ’[’ (veja
os próximos parágrafos), todos os outros caracteres especiais,
incluindo ’\’, perdem seu significado especial dentro de uma expressão
agrupada.

Dentro de uma expressão agrupada, um elemento de combinação (um
caractere, uma sequência multi-caractere que combina como se fosse um
caractere simples, ou um nome de sequência de combinação se for o caso)
englobado entre ’[.’ e ’.]’ significa a sequência de caracteres daquele
elemento de combinação. A sequência é um elemento simples de uma lista
de expressões agrupada. Uma expressão agrupada contendo um elemento de
combinação multi-caractere pode, portanto, encontrar mais de um
caractere, por exemplo, se a sequência de combinação inclui um elemento
de combinação ’ch’, então a ER ’[[.ch.]]*c’ encontra os primeiros cinco
caracteres de ’chchcc’.

Dentro de uma expressão agrupada, um elemento de combinação englobado
por ’[=’ e ’=]’ é uma classe equivalente, que significa uma sequência
de caracteres com todos os elementos de combinação equivalentes a
aquele, incluindo ele mesmo. (Se não houver outro elemento de
combinação equivalente, o tratamento é como se os delimitadores fossem
’[.’ e ’.]’.) Por exemplo, se o e ^ são os membros de uma classe
equivalente, então ’[[=o=]]’, ’[[=^=]]’, e ’[o^]’ são todos sinônimos.
Uma classe equivalente não pode † ser um ponto final de uma faixa.

Dentro de uma expressão agrupada, o nome de uma classe de caractere
englobado por ’[:’ e ’:]’ significa a lista de todos os caracteres
pertencente àquela classe. Os nomes padrão de classes de caracteres
são:

alnum digit punct
alpha graph space
blank lower upper
cntrl print xdigit

Isto vale para as classes de caracteres definidas em ctype(3). Um
locale pode fornecer outros. Uma classe de caracteres não pode ser
usada como um ponto final de uma faixa.

Há dois casos especiais de expressões de colchetes: as expressões
’[[:<:]]’ e ’[[:>:]]’ casam com a string nula no início e no fim de uma
palavra, respectivamente. Uma palavra é definida como uma sequência de
caracteres de palavras que não é precedida e nem seguida por caracteres
de palavra. Um caractere de palavra é um caractere alnum (como
definido por ctype(3)) ou um sublinhado. Esta é uma extensão,
compatível mas não específica do POSIX 1003.2, e deve ser usada com
cautela em softwares que pretendem ser portáveis para outros sistemas.

Em um evento em que uma ER encontraria mais de uma substring de uma
string dada, a ER encontra aquela que inicia mais próxima do início da
string. Se a ER pode encontrar mais que uma substring começando
naquele ponto, ela encontra a mais longa. Sub-expressões também podem
encontrar a substring mais longa possível, sujeitando-se à limitação de
o casamento todo ser tão longo quanto possível, com sub-expressões
iniciando primeiro na ER tendo prioridade sobre aquelas iniciando
posteriormente. Note que sub-expressões de nível mais alto, portanto,
têm prioridade sobre suas sub-expressões componentes de nível mais
baixo.

Os comprimentos dos casamentos são medidos em caracteres, e não em
elementos de combinação. Uma string nula é considerada mais longa do
que um caso de não se encontrar nada. Por exemplo, quando ’(.*).*’ é
aplicado em ’abc’ a sub-expressão entre parênteses casa todos os três
caracteres, e quando ’(a*)*’ é aplicado em ’bc’ ambas as ERs inteiras e
a sub-expressão entre parênteses encontram a string nula.

Se casamento independente da caixa é especificado, o efeito é tal como
se todas as distinções de caixa sumissem do alfabeto. Quando um
alfabético que existe em múltiplos casos aparece como um caractere
ordinário fora de uma expressão de colchete, é transformado
efetivamente em uma expressão de colchetes contendo ambos os casos, por
exemplo, ’x’ se torna ’[^xX]’. Quando ele aparece dentro de uma
expressão de colchetes, todos os casos equivalentes a ele são
acrescentados à expressão de colchetes, de forma que (por exemplo)
’[x]’ se torna ’[xX]’ e ’[^xX]’.

Nenhum limite particular é imposto sobre o comprimento das ERs†.
Programas que pretendem ser portáveis não devem empregar ERs maiores de
256 bytes, pois uma implementação pode negar-se a aceitar tais ERs para
continuar compatível com o POSIX.

Expressões regulares obsoletas ("básicas") diferem em vários aspectos.
Os sinais ’+’, ’|’ e ’?’ são caracteres ordinários e não há
equivalentes para suas funcionalidades. Os delimitadores para
composição são ’\{’ and ’\}’, com ’{’ e ’}’ por eles mesmos caracteres
ordinários. Os parênteses para sub-expressões aninhadas são ’$’ e
’$’, com ’(’ e ’)’, por eles mesmos caracteres ordinários. O ’^’ é um
caractere ordinário, exceto no começo de uma ER ou † no começo de uma
sub-expressão com parênteses, o ’$’ é um caractere ordinário, exceto no
fim da ER ou † no fim da sub-expressão com parênteses, e ’*’ é um
caractere ordinário se ele aparece no começo da ER ou no começo de uma
sub-expressão com parênteses (depois de um possível ’^’ dianteiro).
Finalmente, há um novo tipo de átomo, uma refer��ncia para tr��s: casa
com a mesma sequência de caracteres casada pela sub-expressão de
parênteses (numerando sub-expressões pelas posições dos seus parênteses
abertos, da esquerda para a direita), tal que (por exemplo)
’$[bc]$\1’ case com ’bb’ ou ’cc’, mas não com ’bc’.

VEJA TAMBÉM

       regex(3)

       POSIX 1003.2, seção 2.8 (Notação de Expressão Regular).

PROBLEMAS

       Ter dois tipos de ERs é uma devastação.

       A especificação corrente do 1003.2 diz que ’)’ é um caractere ordinário
       na ausência de um ’(’ não casado; este era um resultado não-intencional
       de um erro de palavreamento, e mudanças são parecidas.   Evite  confiar
       nela.

       Referências  para  trás são uma destruição terrível, causando problemas
       sérios em implementações eficientes.   Elas  também  são  definidas  um
       pouco vagamente (fazendo Evite usá-las.

       A  especificação  1003.2 para casamentos independentes de caixa é vaga.
       A definição "um caso implica  em  todos  os  casos"  dada  acima  é  um
       consenso corrente entre implementadores como a interpretação correta.

       A sintaxe para os limites de palavra é incrivelmente feia.

AUTOR

       Esta página foi tomada do pacote regex de Henry Spencer.

TRADUZIDO POR LDP-BR em 21/08/2000.