Provided by: manpages-es_1.55-10_all 
NOMBRE
regex - expresiones regulares POSIX 1003.2
DESCRIPCIÓN
Las expresiones regulares (``ER''s), tal y como se definen en POSIX 1003.2, tienen dos
formas: ERs modernas (tal y como egrep; llama a estas ERs ``extendidas'' de 1003.2) y ERs
obsoletas (las que usa ed(1); son ERs ``básicas'' de 1003.2).
Las ERs obsoletas existen como tales por mantener la compatibilidad para algunos viejos
programas; y serán discutidas al final.
1003.2 deja abiertos algunos aspectos de la sintaxis y semántica de las ER; `(dg' es una
de las decisiones tomadas al respecto de estos temas que puede no ser portable con otras
implementaciones de la 1003.2.
Una ER (moderna) es una (!) o más de una(!) rama no vacía, separadas por `|'. Acepta
cualquier cosa que se corresponda con una de las ramas.
Una rama es una (!) o más de una pieza, concatenadas. Acepta algo que corresponda con la
primera, seguida por algo que corresponda con la segunda, etc.
Una pieza es un átomo posiblemente seguido por un solo (!) `*', `+', `?', o por un límite.
Un átomo seguido por `*' ajusta con una secuencia de 0 o más átomos. Un átomo seguido por
`+' ajusta con una secuencia de 1 o más átomos. Un átomo seguido por `?' ajusta con una
secuencia de 0 o 1 átomo.
Un límite es un `{' seguido por un entero decimal sin signo, posiblemente seguido por una
`,' posiblemente seguida por otro entero decimal sin signo, y todo acabado por un `}'.
Los enteros deben encontrarse entre 0 y RE_DUP_MAX (255(!)) inclusive, y si hay dos de
ellos, el primero no podrá ser mayor que el segundo. Un átomo seguido por un límite
conteniendo un solo entero i y sin coma ajusta con una secuencia de exactamente i átomos.
Un átomo seguido por un límite conteniendo un entero i y una coma ajusta con una secuencia
de i o más átomos. Un átomo seguido por un límite conteniendo dos enteros i y j ajusta
con una secuencia de entre i y j átomos (ambos inclusive).
Un átomo es una expresión regular dentro de `()' (ajustándose con una aparición de la
expresión regular), un conjunto vacío de `()' (ajustando con una cadena vacía)(!), una
expresión con corchetes (ver abajo), `.' (ajustándose con un solo carácter), `^'
(ajustando con la cadena vacía al principio de una linea), `$' (ajustando con la cadena
vacía al final de una linea), un `\' seguido por uno de los caracteres `^.[$()|*+?{\'
(ajustando con ese carácter tenido como un carácter normal), un `\' seguido por otro
carácter(!) (ajustando con ese carácter tenido como un carácter ordinario, como si el `\'
no estuviera presente(!)), o un solo carácter sin ningún otro significado adicional
(ajustando con ese carácter). Un `{' seguido por un carácter diferente de un dígito es un
carácter ordinario, no el principio de un límite.(!) Es ilegal terminar una ER con `\'.
Una expresión con corchetes es una lista de caracteres entre unos `[]'. Normalmente ajusta
con solo uno de los caracteres de la lista (pero vea más adelante). Si la lista comienza
por `^', ajusta con un solo carácter (pero vea más adelante) que no pertenezca al resto de
la lista. Si hay en la lista dos caracteres separados por `-', es una abreviación de un
rango completo de caracteres entre dos (inclusive) en la secuencia, por ejemplo `[0-9]' en
ASCII ajusta con cualquier dígito decimal. Es ilegal(!) que dos rangos compartan un
carácter, por ejemplo `a-c-e'.
Los rangos son muy dependientes de la secuencia de especificación y los programas
portables deberían evitar utilizarlos.
Para incluir un literal `]' en la lista, debe aparecer el primero en la misma (siguiendo a
un posible `^'). Para incluir un literal `-', debe aparecer el primero o el último en la
lista, o ser el segundo carácter de un rango.
Para usar un literal `-' como el primer carácter de un rango, debe rodearse entre `[.' y
`.]' para hacerlo un elemento a tratar (vea más abajo). Con la excepción de estas y
algunas combinaciones que usan `[' (vea los siguientes párrafos), todos los otros
caracteres especiales, incluyendo `\', pierden su significado especial dentro de una
expresión entre corchetes.
Dentro de una expresión entre corchetes, un elemento a tratar (un carácter, una secuencia
de más de un carácter que se interpreta como si fuera un solo carácter, o un nombre de
secuencia de definición incluido entre `[.' y `.]' se entiende como la secuencia de
caracteres de ese elemento. La secuencia es un elemento aislado de la lista contenida en
la expresión con corchetes. Una expresión con corchetes que contenga un elemento de más de
un carácter puede ajustar por más de un carácter, por ejemplo si la secuencia incluye un
elemento `ch', entonces la ER `[[.ch.]]*c' ajusta con los primeros cinco caracteres de
`chchcc'.
Dentro de una expresión con corchetes, un elemento englobado entre `[=' y `=]' es una
clase de equivalencia, comprendiendo las secuencias de caracteres de todos los elementos
equivalentes a ese otro, incluyéndose a él mismo. (Si no hay ningún otro elemento
equivalente, el tratamiento es como si los delimitadores hubieran sido `[.' y `.]'.) Por
ejemplo, si o y ^ son miembros de una clase de equivalencia, entonces, entonces `[[=o=]]',
`[[=^=]]', y `[o^]' son todos sinónimos. Una clase de equivalencia no(!) puede formar
parte de un rango.
Dentro de una expresión con corchetes, el nombre de una clase de caracteres englobado
entre `[:' y `:]' se interpreta como la lista de todos los caracteres que pertenecen a esa
clase. Los nombre de clase de caracteres estándar son:
alnum digit punct
alpha graph space
blank lower upper
cntrl print xdigit
Están compuestos por las clases de caracteres definidos en wctype(3). Localmente podrán
proveerse de otras. Una clase de caracteres no puede formar parte de un rango.
Hay dos casos especiales(!) de expresiones con corchetes: las expresiones con corchetes
`[[:<:]]' y `[[:>:]]' ajustan con la cadena vacía del principio y final de una palabra,
respectivamente. Una palabra se define como una secuencia de caracteres de palabra que no
se encuentra ni precedida ni seguida por caracteres de palabra. Un carácter de palabra es
un carácter de la clase alnum (tal y como se define en wctype(3)) o un carácter de
subrayado. Esta es una extensión, compatible pero no especificada por POSIX 1003.2, y
debe ser usada con cuidado en aquel software que deba ser portable a otros sistemas.
En el caso en que una ER puede ajustar con más de una subcadena de la cadena dada, la ER
se ajusta con aquella que comience antes en la cadena dada. Si la ER puede ajustar con
varias subcadenas que comienzan en el mismo punto, se ajusta con la más larga. Las
subexpresiones también ajustan con las subcadenas más largas posibles, sujetas a la
restricción de que el ajuste global sea el más largo posible, con subexpresiones que
empiecen antes en la ER con mayor prioridad que aquellas que comiencen después.
Nótese que las subexpresiones de nivel más alto tienen prioridad respecto a sus
subexpresiones componentes de nivel inferior.
Las longitudes de los ajustes son medidas en caracteres, no en elementos. Una cadena
vacía se considera más larga que cualquier otro ajuste. Por ejemplo, `bb*' se ajusta con
los tres caracteres del centro de `abbbc', `(wee|week)(knights|nights)' se ajusta con los
diez caracteres de `weeknights' , cuando `(.*).*' se intenta ajustar con `abc' la
subexpresión se ajusta con los tres caracteres, y cuando `(a*)*' se intenta ajustar con
`bc' tanto la ER como la subexpresión entre paréntesis se ajustan a la cadena vacía.
Si se ha especificado un ajuste no dependiente de las mayúsculas, el efecto es como si
todas las distinciones entre mayúsculas y minúsculas hubieran desaparecido del alfabeto.
Cuando un término del alfabeto existe tanto en mayúsculas como en minúsculas aparece como
un carácter ordinario fuera de una expresión con corchetes, se transforma en una expresión
con corchetes conteniendo los dos casos, por ejemplo, `x' se convierte en `[xX]'. Cuando
aparece dentro de una expresión con corchetes, todos los casos posibles son añadidos a la
expresión con corchetes, de tal manera que (por ejemplo) `[x]' se convierte en `[xX]' y
`[^x]' se convierte en `[^xX]'.
No se impone ningún límite en particular en la longitud de las ERs(!). Los programas que
deban ser portables no deben emplear ERs más largas de 256 bytes, ya que una
implementación puede rechazar el aceptar estas ERs y seguir cumpliendo POSIX.
Las expresiones regulares obsoletas (``basic'') difieren en varios aspectos. `|', `+', y
`?' son caracteres ordinarios y no existe el equivalente para sus funcionalidades. Los
delimitadores para los límites son `\{' y `\}', con `{' y `}' como caracteres ordinarios.
Los paréntesis para subexpresiones anidadas son `\(' y `\)', siendo `(' y `)' caracteres
ordinarios. `^' es un carácter ordinario excepto en el principio de la ER o(!) al
principio de una subexpresión con paréntesis, `$' es un carácter ordinario excepto al
final de la ER o(!) al final de una subexpresión con paréntesis, y `*' es un carácter
ordinario si aparece al principio de la ER o al principio de una subexpresión con
paréntesis (después de un posible `^' inicial). Finalmente, existe un nuevo tipo de
átomo, la referencia hacia atrás: `\' seguido por un dígito decimal mayor que cero d
ajusta con la misma secuencia de caracteres ajustada por la subexpresión con paréntesis
d-ésima (numerando las subexpresiones por las posiciones de sus paréntesis de apertura, y
de izquierda a derecha), de tal manera que (por ejemplo) `\([bc]\)\1' ajusta con `bb' o
`cc' pero no con `bc'.
VÉASE TAMBIÉN
regex(3)
POSIX 1003.2, sección 2.8 (Regular Expression Notation).
FALLOS
Tener dos tipos de ERs es molesto.
La especificación actual de 1003.2 dice que un `)' es un carácter ordinario en ausencia de
un `(' sin ajustar; este fue un resultado no intencionado de un error de redacción, y es
probable que sea modificado. Evite usarlo.
Las referencias hacia atrás son una espantosa `chapuza', añadiendo bastantes problemas
para una implementación eficiente. También hay cosas vagamente definidas (¿
`a\(\(b\)*\2\)*d' ajusta con `abbbd'?). Evite usarlo.
La especificación 1003.2 sobre el ajuste independiente de mayúsculas es muy vaga. La
definición ``mayúsculas o minúsculas implican al otro'' (N. del T. ``one case implies all
cases'') dada arriba es un consenso entre todos los implementadores como la buena
interpretación.
La sintaxis para límites de palabras es increíblemente desagradable.
AUTOR
Esta página ha sido obtenida del paquete regex de Henry Spencer.
7 febrero 1994 REGEX(7)