Um pequeno tutorial ou resumo sobre criação e funcionalidades de Expressões Regulares.
Expressões regulares, também conhecidas como ERs, regex, regexes e entre outras, é uma ferramenta muito poderosa utilizada para "casar" com uma determinada sequência de caracteres.
Casar é algo como combinar e verificar caso o texto dado siga o padrão descrito pela ER.
É muito usada para a verificação e procura de padrões específicos em textos digitais e dados do tipo string.
Pode parecer algo intimidador por conta da má legibilidade, porém, ao analisar cada componente individualmente, vê-se que não é um "bicho de sete cabeças" como muitos pensam.
Para facilitar o seu aprendizado, aqui você verá uma breve descrição e exemplos dos tipos de metacaracteres utilizados para a formação dessas ERs.
Os metacaracteres unitários são metacaracteres cujo casam somente com um caractere, um único valor da tabela ASCII.
O ponto ( . ) casa com um único caractere qualquer, sem específicidade, casando com qualquer caractere da tabela ASCII.
Exemplo:
...casa com "aaa","abb", "uhf" ou "(1@"
Um caractere específico em uma Expressão Regular é o mesmo que casar um único caractere com aquele valor ASCII.
Exemplo:
acasa somente com "a" eolácasa somente com "olá"
A lista ( [] ) casa um único caractere cujo é pertencente à essa lista. Pode-se usar de intervalos que seguem a ordem numérica da tabela ASCII, como [A-z], cujo também casa com os caracteres "[\]^_`", recomendando-se usar Classes POSIX.
Exemplo:
[a-z]casa qualquer caractere de "a" até "z".
[0123]casa um caractere caso ele seja "0", "1", "2" ou "3".
Lista negada
A lista negada ( [^] ) é quase o mesmo que a lista, porém ela casa qualquer caractere exceto os que a pertencem.
Exemplo:
[^1234abcd]casa quaisquer caracteres que não sejam "1", "2", "3", "4", "a", "b", "c" ou "d".
Normalidade
Todo caractere inserido dentro de uma lista é um caractere comum, inclusive os metacaracteres como ., * entre outros, com exceção dos caracteres -, ] e [ que devem ser inseridos no começo da lista ou no final da lista.
Exemplo:
[*{}.]casa com os caracteres "*", "{", "}" e ".".
[][-]é uma lista cujo casa com os caracteres "]", "[" e "-".
Os quantificadores são metacaracteres cujo quantificam a quantidade que um grupo ou metacaractere unitário para aumentar a quantidade de "casamentos" que fazem.
O asterisco ( * ) casa com qualquer quantidade de caracteres, ou seja, para ele não importa se não há o caractere, se há um ou se há mais caracteres.
Exemplo:
a*casa com "", "a", "aa" e assim por diante...O curinga das ERs
.*casa com qualquer caractere em qualquer quantidade, inclusive strings vazias como "".
O metacaractere opcional ( ? ) casa com nenhum ou um do caractere quantificado, ou seja, o caractere se torna opcional.
Exemplo:
casas?casa com "casa" e com "casas" pois o "s" se torna opcional.
casa[srlm]?casa com "casa", "casas", "casar", "casal" e "casam".
O requerido ( + ) faz com que o caractere a ser quantificado seja obrigatório, casando com um ou mais desse caractere.
Exemplo:
[a-z]+casa de "a" até "z" obrigatoriamente em qualquer quantidade.
domingos+casa com "domingos", "domingoss", "domingosss", "domingossss" e assim por diante.
As chaves ( {n,m} ) são metacaracteres que quantificam na quantidade mínima e máxima, podendo omitir a quantidade máxima.
Exemplo:
[0-9]{3,9}casa com um número de 3 à 9 dígitos de 0 à 9.A ER
[0-9]{3}.[0-9]{3}.[0-9]{3}-[0-9]casa com o modelo de um CPF, por exemplo : "123.456.789-0"
Os metacaracteres delimitadores são metacaracteres que descrevem ou barram limites no interpretador de ER.
O grupo ( (...) ) é um tipo especial de metacaractere que delimita a ação de uma ER específica, tornando possível quantificá-la como um único caractere, assim como fazer o uso de retrovisores.
Exemplo:
(joga)casa com "joga", mas(joga){2}casa somente com "jogajoga".A ER do CPF, agora com o uso de grupos, pode ser reformulada para:
([0-9]{3}.){2}[0-9]{3}-[0-9]porém ainda fica algo muito grotesco.
Esse delimitador de início ( ^ ) é um metacaractere que deve sempre ser colocado no início da ER, simboliza que quer casar a ER somente se ela estiver no começo de uma linha.
Exemplo:
^amarelocasará com "amarelo" somente se ele estiver no início da linha, por exemplo, não casaria a palavra "amarelo" de "o meu carro é amarelo" e sim com "amarelo é a cor do meu carro".
^^casa com uma string cujo o início é um acento circunflexo, ou seja, casa com "^".
Assim como o metacaractere início, o metacaractere fim ( $ ) é o seu complementar, têm de ser posto no final da ER, simbolizando que somente casará caso a linha termine com essa determinada ER.
Exemplo:
123$casa somente com "123" no final de uma linha.São usados juntos o
^e o$para casar uma linha inteira assim:^dobrados$casa somente com a string completa "dobrados".
A borda ( \b )é um metacaractere delimitador que casa as bordas de uma palavra, os limites.
Exemplo:
\bs.casa com "sao", "s34", "so", entre outros, mas não com "coisa".Porém, a ER
s.\bnão casa com "são" nem com "s34", mas casa com "so" e com "coisa".Utilizando dois desse metacaractere podemos delimitar à uma palavra:
\bmente\bcasa somente com "mente", mas não com "extremamente" ou "intensamente".
Os metacaracteres do tipo especial são os que não encaixam necessáriamente em nenhum dos grupos anteriores.
O metacaractere escape ( \ ) é o metacaractere cancelador, ele negativa todos os efeitos especiais do metacaractere seguinte, transformando-o em um literal.
Exemplo:
dois\*litroscasa somente com "dois*litros", o asterisco se torna literal.
isso\\essecasa somente com "isso\esse", veja que há a possibilidade de escapar o escape, caso desejar.
O metacaractere ou ( | ) é um metacaractere que casa com uma opção ou outra.
Exemplo:
isso|essecasa com "isso" ou com "esse".
(super|hiper)?mercadocasa com "supermercado" ou com "hipermercado" ou com "mercado".
Classes POSIX são uma classe de objetos que representam intervalos, e são regionalizados, ou seja, se está no Brasil, utiliza-se os caracteres do Brasil, se está na Alemanha, utiliza-se os caracteres alemães.
Para mais informações consulte a Tabela POSIX.
Exemplo:
[[:alnum:]]{3}casa com 3 caracteres alfanuméricos.
[:digit:]casa com um único dígito.
Os metacaracteres possuem uma ordem de precedência, seguindo:
- Quantificador (
g+) - Concatenação (
ab) - Ou (
ab|cd)
Exemplo:
abc|bcacasa "abc" ou "bca", pois a concatenação tem precedência maior, e não casa "abcca" ou "abbca", para casá-los teria-se de usar a ERab(c|b)ca.
ab{3}|ec{3}casa com "abbb" ou "eccc", pois o quantificador têm precedência maior que a concatenação e que o ou, e não casaria "ababab" ou "ececec", porém, caso queira casá-los teria que usar a ER(ab){3}|(ec){3}.
Os metacaracteres referenciadores são metacaracteres cujo objetivo é referenciar uma certa parte da expressão, normalmente sendo grupos.
Os retrovisores ( \1, \2, \3 ... ) são metacaracteres responsáveis por referenciar grupos anteriormente processados pela ER, por isso casam somente com o que já foi previamente processado. Seguindo sua numeração pela ordem de aparição do grupo.
Exemplo:
(lero)-\1casa com "lero-lero".
((super|hiper|mini)mercado) é um \2 \1casa com "supermercado é um super supermercado" ou trocando os "super" por "hiper" ou "mini". Veja que a ordem cujo os números são utilizados é derivada da ordem em que os grupos foram abertos, ou seja, a ordem em que aparecem os(. Essa ER não casa com "hipermercado é um super supermercado" pois o grupo\1foi processado com o valor "hipermercado" e o grupo\2foi processado com o valor "hiper".
A gulodice é um conceito dos quantificadores que classificam todos eles, diz-se guloso aquele quantificador cujo tenta casar o máximo de caracteres possíveis, por exemplo:
A ER [ar]*a casaria com qual dessas alternativas na palavra arara?
- "a" - nenuma vez a [ar]
- "ara" - duas vezes a [ar]
- "arara" - quatro vezes a [ar]
- n.d.a
Por ser um caractere guloso, ele casaria o máximo de caracteres possíveis, sendo assim, casaria com a alternativa 3.
Esse é um dos motivos pelos quais evitamos o uso dos chamados curingas como .* pois eles casariam com todos os caracteres independente do resto da ER.
Exemplo:
<.*>querendo casar quaisquer tags em uma string, ao tentar com a string "<b> uma string </b>", o.*acabaria casando com a parte em negrito: "<b> uma string </b>.
Para a resolução disso, alguns programas oferecem a utilização de quantificadores não-gulosos, como os abaixo.
O asterisco não-guloso ( *? ) age como o asterisco porém casando sempre o mínimo possível.
Exemplo:
Guloso:
a.*casa com "aaaaaa"Não-Guloso:
a.*?casa com "a"
O opcional não-guloso ( ?? ) age como o opcional comum porém casando sempre o mínimo possível.
Exemplo:
Guloso:
a.?casa com "aa"Não-Guloso:
a.??casa com "a"
O requerido não-guloso ( +? ) age como o requerido comum porém casando sempre o mínimo possível.
Exemplo:
Guloso:
a.+casa com "aaaaaa"Não-Guloso:
a.+?casa com "aa"
As chaves não-gulosas ( {n,m}? ) age como as chaves porém casando sempre o mínimo possível.
Exemplo:
Guloso:
a.{1,3}casa com "aaaa"Não-Guloso:
a.{1,3}?casa com "aa"
Os barra letras são um tipo especial de metacaracteres, pois, a depender do interprete da ER, eles podem ter diferentes significados e diferentes usos. São identificados por uma barra invertida \ seguida de uma letra qualquer do alfabeto, seja minúscula ou maiúscula.
Para mais informações sobre os barra-letras, consulte a documentação do aplicativo que deseja usar e a tabela dos barra-letra.
Não bastando tantas funcionalidades para as ERs, quem as usava queria sempre mais e mais funcionalidades, adicionando assim os modificadores especiais, que fazem muito mais do que somente casar certos caracteres.
São geralmente um grupo com uma interrogação dentro seguido de sua funcionalidade (?<identificador><conteúdo>).
O comentário ( (?#texto) ) é como nos comentários de código, não é interpretado pelo interprete da ER, tornando possível se comentar alguma parte da expressão.
Exemplo:
(?#meu nome)Sávio (?#meu sobrenome)Henriquecasa com "Sávio Henrique".
Lookups são mecanismos que dão uma "espiada" mais a frente ou atrás, e, caso a ER contida neles case, é retornado sucesso. Mais explicações a frente.
Existem 2 tipos de lookups:
- Front lookup
- !Front Lookup
- Back Lookup
- !Back Lookup
Front Lookup
O Front Lookup ( (?=ER) ) dá uma "espiada" para a frente, e caso a ER contida case ele casa os termos anteriores.
Exemplo:
Cauda (?=de Dragão)só casará "Cauda" caso seja seguida por "de Dragão", porém o termo casado será só "Cauda", não "Cauda de Dragão".
!Front Lookup
O !Front Lookup ( (?!ER) ) assim como o anterior, dá uma "espiada" a frente, porém é o contrário, pois só casa caso esse trecho não siga a ER contida nele.
Exemplo:
Sapo (?!cururu)casará somente se "Sapo" não for seguido de "cururu", porém casará "Sapo" se vier seguido de "azul", "verde" entre outros.
Back Lookup
Assim como o Front Lookup, o Back Lookup ( (?<=ER) ) dá uma "espiada" porém para trás do trecho, note o < apontando para a esquerda.
Exemplo:
(?<=Carlos )Santos Dumontcasará apenas "Santos Dumont" se for precedido por "Carlos ".
!Back Lookup
Igual aos anteriores, o !Back Lookup ( (?<!ER) ) dá uma "espiada" para trás e casa somente o que trecho caso ele não siga a ER contida.
Exemplo:
(?<!Carlos )Santos Dumontcasará apenas "Santos Dumont" se não for precedido por "Carlos ".
O grupo excluído ( (?:ER) ) funciona igual um grupo comum, porém a sua diferença é que ele não é incluido na contagem de grupos, portanto não se pode referenciar ele por meio de retrovisores, como um grupo fantasma.
Exemplo:
(Jonah) (?:J.) (Jameson)casa o nome completo de "Jonah J. Jameson" porém\1contém "Jonah" e\2contém "Jameson".
O grupo nomeado é um grupo que possui um nome, podendo obter-se o valor casado referenciando pelo nome (a maioria dos aplicativos não possuem suporte a esse tipo de referência).
Exemplo:
(?<nome>Sávio) (?<sobrenome>Henrique)casaria "Sávio Henrique".
(?<nome>Sávio) (?<sobrenome>Henrique) (?P=sobrenome), em alguns lugares, essa ER casaria com "Sávio Henrique Henrique".
O grupo modificador ( (?modificador) ) configura a ER a partir de um modificador, que é uma letra cujo pode ser:
| Letra | Significado |
|---|---|
| i | Ignorar a diferença entre maiúscula e minúscula |
| m | Trata o texto como multilinha |
| s | Trata o texto como uma única linha |
| x | Permite inclusão e espaços e comentários |
| L | Levar em conta a localização do sistema (somente Python) |
Exemplo:
(?\i)dormiucasa com "DORMIU" ou "dormiu" ou "DorMIu", entre outras.
O if-then-else ( (?(condição)ER-sim|ER-não) ) , assim como na programação, funciona como um operador ternário, caso a condição seja dada como verdadeira, utilize a ER-sim, caso não, utilize a ER-não. Geralmente essa condição é uma referencia para um grupo prévio.
É raramente suportada por aplicativos, por isso, verifique com a documentação.
Exemplo:
(\+)?(?(1)[0-9]{2} )[0-9]{3} 9[0-9]{8}casa com um número de telefone, caso tenha o "+" no começo, deve ser seguido por 2 dígitos, casando "033 912345678" e também "+55 033 912345678". Nesse caso, não utilizei a ER-não.
(Sr.)?(?(1) Comandante|Cabo) Sáviocasa, caso tenha "Sr." no começo, com "Sr. Comandante Sávio", e, caso não o tenha, com "Cabo Sávio". Ou seja, têm de haver "Comandante" ou "Cabo" caso não haja o honorífico.
Aqui é onde o ponto máximo de perca de compatibilidade de ERs entre aplicativos reside.
O Código ( (?{código}) ) permite-se colocar código de linguagens de programação dentro da própria ER.
O exemplo abaixo é tirado do manual do Perl:
$_ = 'a' x 8;
m<
(?{ $cnt = 0}) #inicializa
(
a
(?{
local $cnt = $cnt +1; #incrementa
})
)*
aaaa
(?{ $res = $cnt }) #se ok, copia para uma var não-local
>x;| POSIX | Similar | Significa |
|---|---|---|
| [:upper:] | [A-Z] | Letras maiúsculas |
| [:lower:] | [a-z] | Letras minúsculas |
| [:alpha:] | [A-Za-z] | Maiúsculas e minúsculas |
| [:alnum:] | [A-Za-z0-9] | Letras e números |
| [:digit:] | [0-9] | Números |
| [:xdigit:] | [0-9A-Fa-f] | Números hexadecimais |
| [:punct:] | [.,!?:…] | Caracteres de pontuação |
| [:blank:] | [ \t] | Espaço em branco e TAB |
| [:space:] | [ \t\n\r\f\v] | Caracteres brancos |
| [:cntrl:] | - | Caracteres de controle |
| [:graph:] | [^ \t\n\r\f\v] | Caracteres imprimíveis |
| [:print:] | [^\t\n\r\f\v] | Imprimíveis e o espaço |
Existem três tipos de Barra-letras:
- Caracteres
- Modificadores
- Intervalo
| b-l | Nome | Tradução |
|---|---|---|
| \a | Alert | Alerta (bipe) |
| \b | Backspace | Caractere Backspace |
| \e | Escape | Caractere Esc |
| \f | Form feed | Alimentação |
| \n | Newline | Linha Nova |
| \r | Carriage return | Retorno de Carro |
| \t | Htab | Tabulação horizontal |
| \v | Vtab | Tabulação vertical |
| b-l | Significado | Similar |
|---|---|---|
| \a | Alfabeto | [[:alpha:]] |
| \A | Não Alfabeto | [^\[:alpha:]] |
| \h | Cabeça de palavra | [[:alpha:]_] |
| \H | Não cabeça de palavra | [^\[:alpha:]_] |
| \l | Minúsculas | [[:lower:]] |
| \L | Não minúsculas | [^\[:lower:]] |
| \u | Maiúsculas | [[:upper:]] |
| \U | Não maiúsculas | [^\[:upper:]] |
| \o | Número octal | [0-7] |
| \O | Não número octal | [^0-7] |
| \B | Não borda | |
| \A | Início | |
| \Z | Fim | |
| \l | Torna minúscula | |
| \L | Torna minúscula até \E | |
| \u | Torna maiúscula | |
| \U | Torna maiúscula até \E | |
| \Q | Escapa até \E | |
| \E | Fim da modificação | |
| \G | Fim do casamento anterior |
| b-l | Equivalente POSIX | Significado |
|---|---|---|
| \d | [[:digit:]] | Dígito |
| \D | [^\[:digit:]] | Não-Dígito |
| \w | [[:alnum:]] | Palavra |
| \W | [^\[:alnum:]] | Não-Palavra |
| \s | [[:space:]] | Branco |
| \S | [^\[:space:]] | Não-Branco |
Contudo, as ERs ainda possuem muitas outras funcionalidades que foram adicionadas ao decorrer do tempo e dependente das aplicações.
Existem algumas dicas ao escrever suas ERs que ajudam a escrevê-las melhor, porém esse artigo foi somente um pequeno resumo sobre as funcionalidades e componentes.
Obrigado por ler até aqui!
Esse artigo foi inspirado e feito com a ajuda do livro "Expressões Regulares - Uma Abordagem Divertida - 2ª Edição" escrito por Aurélio Marinho Jargas pela editora Novatec.