REGEX(7) | Miscellaneous Information Manual | REGEX(7) |
regex - expresiones regulares POSIX 1003.2
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'.
POSIX 1003.2, sección 2.8 (Regular Expression Notation).
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.
Esta página ha sido obtenida del paquete regex de Henry Spencer.
7 febrero 1994 |