REGEX(7) | Linux Programmer's Manual | REGEX(7) |
regex - espressioni regolari POSIX.2
Le espressioni regolari (dette "ER"), così come definite da POSIX.2, appaiono in due forme: ER moderne (approssimativamente, quelle di egrep; POSIX.2 le definisce ER "estese") e ER obsolete (approssimativamente quelle di ed(1); ER di "base" in POSIX.2). Le ER obsolete esistono per compatibilità con alcuni vecchi programmi, e verranno discusse alla fine. POSIX.2 lascia aperti alcuni aspetti della sintassi e della semantica delle ER: "(!)" denota scelte che potrebbero non essere completamente portabili ad altre implementazioni di POSIX.2.
Una ER (moderna) è una(!) diramazione o più diramazioni non vuote*†, diramazioni, separati da '|'. L'ER corrisponde a qualsiasi cosa che corrisponda ad una delle diramazioni.
Una diramazione è formata da uno(!) o più pezzi concatenati. Corrisponde ad una corrispondenza per il primo pezzo, seguita da una corrispondenza per il secondo, ecc.
Un pezzo è formato da un atomo, eventualmente seguito da un singolo(!) '*', '+', '?' o limite. Un atomo seguito da '*' corrisponde ad una successione di 0 o più corrispondenze dell'atomo. Un atomo seguito da '+' corrisponde ad una successione di 1 o più corrispondenze dell'atomo. Un atomo seguito da '+' corrisponde ad una successione di 0 o 1 corrispondenza dell'atomo.
Un limite [NdT: il termine è non-standard, Regular Expressions di Jeffrey E F Friedl, O'Reilly, 1997, usa intervallo] è formato da '{' seguito da un intero decimale senza segno, eventualmente seguito da ',' eventualmente seguito da un altro intero decimale senza segno, obbligatoriamente seguito da '}'. Gli interi devono essere compresi fra 0 e RE_DUP_MAX (255(!)) inclusi, e se ce ne sono due, il primo non deve essere maggiore del secondo. Un atomo seguito da un limite contenente un intero i e nessuna virgola corrisponde ad una successione di esattamente i corrispondenze dell'atomo. Un atomo seguito da un limite contenente un intero i e una virgola corrisponde ad una successione di i o più corrispondenze dell'atomo. Un atomo seguito da un limite contenente due interi i e j corrisponde ad una successione di i fino a j (inclusi) corrispondenze dell'atomo.
Un atomo è formato da un'espressione regolare racchiusa fra "()" (corrispondente ad una corrispondenza per l'espressione regolare), un insieme vuoto di "()" (corrispondente alla stringa nulla)(!), un'espressione parentetica (vedi sotto), '.' (corrispondente ad un qualsiasi carattere singolo), '^' (corrispondente alla stringa nulla a inizio riga), '$' (corrispondente alla stringa nulla a fine riga), una '\' seguita da uno dei caratteri "^.[$()|*+?{\" (corrispondente a quel carattere interpretato come un carattere normale), una '\' seguita da un qualsiasi altro carattere(!) (corrispondente a quel carattere interpretato come un carattere normale, come se la '\' non fosse presente(!)), oppure un singolo carattere privo di ulteriori significati (interpretato come se stesso). Una '{' seguita da un carattere che non sia una cifra è un carattere normale, non l'inizio di un limite(!). È vietato terminare un'ER con '\'.
Un'espressione parentetica è un elenco di caratteri racchiusi da "[]". Corrisponde di norma ad un qualsiasi singolo carattere fra quelli della lista (ma vedi oltre). Se l'elenco inizia con '^', l'espressione corrisponde ad un qualsiasi singolo carattere non fra quelli della lista (ma vedi oltre). Due caratteri nell'elenco separati da un '-' formano un'abbreviazione per l'intera serie di caratteri compresi nella sequenza di collazione fra i due caratteri (inclusi). Per esempio, "[0-9]" corrisponde, in ASCII, ad una qualsiasi cifra decimale. Due serie non possono(!) condividere un estremo, per esempio "a-c-e". Le serie dipendono particolarmente dalla sequenza di collazione, e un programma, per essere portabile, non dovrebbe dipenderne.
Se si vuole includere una ']' nell'elenco, bisogna metterla al primo posto (dopo un eventuale '^'). Se si vuole includere un '-' nell'elenco, bisogna metterlo al primo o all'ultimo posto, o come estremo destro di una serie. Se si vuole usare un '-' come estremo sinistro di una serie, bisogna trasformarlo in un elemento di collazione racchiudendolo fra "[." e ".]" (vedi sotto). Eccetto queste combinazioni, e alcune altre con '[' (vedi il prossimo paragrafo), tutti gli altri caratteri speciali, inclusa la '\' perdono il loro significato speciale quando all'interno di un'espressione parentetica.
All'interno di un'espressione parentetica, un elemento di collazione (un carattere o una sequenza di più caratteri che viene ordinata come se fosse un carattere singolo o una sequenza di collazione che sta per uno dei due) racchiuso fra "[." e ".]" rappresenta la sequenza di caratteri dell'elemento di collazione. La sequenza è un unico argomento dell'elenco nell'espressione parentetica. Pertanto, un'espressione che contiene un elemento di collazione a più caratteri può corrispondere a più di un carattere. Per esempio, se la sequenza di collazione include l'elemento di collazione "ch", allora l'ER "[[.ch.]]*c" corrisponde ai primi cinque caratteri di "chchcc".
All'interno di un'espressione parentetica, un elemento di collazione racchiuso fra "[=" e "=]" è una classe di equivalenza, cioè la sequenza di caratteri di tutti gli elementi di collazione equivalenti, lui incluso (se non ci sono altri elementi di collazione equivalenti, il risultato è lo stesso che ci sarebbe se i segni di delimitazione fossero "[." and ".]"). Per esempio, se o e ^ appartengono ad una classe di equivalenza, allora `[[=o=]]', `[[=^=]]' e `[o^]' sono tutti sinonimi. Una classe di equivalenza non può essere un estremo di una serie.
All'interno di un'espressione parentetica, il nome di una classe di caratteri racchiusa fra "[:" e ":]" rappresenta l'elenco di tutti i caratteri di quella classe. I nomi delle classi standard di caratteri sono:
alnum | digit | punct |
alpha | graph | space |
blank | lower | upper |
cntrl | xdigit |
Questi rappresentano le classi di carattere definite in wctype(3). Una localizzazione potrebbe fornirne altre. Una classe di caratteri non può essere usata come estremo di una serie.
Nel caso che un'ER possa corrispondere a più di una sotto-stringa di una data stringa, l'ER corrisponde a quella che inizia per prima nella stringa. Se l'ER può corrispondere a più sotto-stringhe che iniziano nello stesso punto, l'ER corrisponde a quella più lunga. Le sottoespressioni corrispondono anche alle sottostringhe più lunghe possibile, a patto che l'intera corrispondenza sia la più lunga possibile, con le sottoespressioni che iniziano prima nell'ER hanno priorità su quelle che iniziano dopo. Si noti che in particolare, le sottoespressioni ad alto livello hanno la precedenza sulle loro espressioni componenti, che sono di livello più basso.
La lunghezza di una corrispondenza è misurata in caratteri, non in elementi di collazione. Una stringa nulla è considerata più lunga di una corrispondenza mancata. Per esempio, "bb*" corrisponde ai tre caratteri di mezzo di "abbbc", "(wee|week)(knights|nights)" corrisponde a tutti e dieci i caratteri di "weeknights", se "(.*).*" è corrisposto a "abc" la sottoespressione fra parentesi corrisponde ai tre caratteri, e se "(a*)*" è corrisposto a "bc" sia l'intera ER che l'espressione tra parentesi corrispondono alla stringa nulla.
Se viene richiesta una corrispondenza indipendente da maiuscole e minuscole, l'effetto è essenzialmente lo stesso che si avrebbe togliendo ogni differenza fra maiuscole e minuscole nell'alfabeto. Quando un carattere alfabetico che esiste sia come maiuscola che come minuscola appare come carattere ordinario al di fuori di un'espressione parentetica, viene, in pratica, trasformato nell'espressione parentetica comprendente entrambi i casi: per esempio, 'x' diventa "[xX]". Quando un simile carattere appare all'interno di un'espressione parentetica, la controparte viene aggiunta all'espressione: ad esempio, "[x]" diventa "[xX]" e "[^x]" diventa "[^xX]".
Non viene imposto nessun limite particolare alla lunghezza delle ER(!). I programmi, per essere portabili, non dovrebbero impiegare ER più lunghe di 256 byte, in quanto un'implementazione potrebbe rifiutare una simile ER e rimanere conforme a POSIX.
Le espressioni regolari obsolete si differenziano in diversi modi. '|', '+', e '?' sono caratteri ordinari e non hanno nessun equivalente per le loro funzionalità. I delimitatori dei limiti sono "\{" e "\}", mentre '{' e '}' sono caratteri ordinari. Le parentesi delle sottoespressioni annidate sono "\(" e "\)", mentre aq(' e ')' sono caratteri ordinari. '^' è un carattere normale tranne che all'inizio dell'ER o(!) all'inizio di un'espressione parentetica, '$' è un carattere normale tranne che alla fine dell'ER o(!) alla fine di un'espressione parentetica, e and '*' è un carattere normale se appare all'inizio dell'ER o all'inizio di un'espressione parentetica (eventualmente preceduto da un '^') iniziale).
Infine, c'è un nuovo tipo di atomo, una referenza all'indietro: '\' seguita da una cifra decimale d diversa da zero corrisponde alla stessa sequenza di caratteri a cui corrisponde la d-esima espressione parentetica (contando, da sinistra verso destra, le sottoespressioni in base alla posizione della loro parentesi di destra), in modo che, ad esempio, "\([bc]\)\1" corrisponda a "bb" o "cc" ma non a "bc".
Avere due tipi di ER è un pasticcio.
Le specifiche attuali in POSIX.2 dicono che ')' è un carattere normale in mancanza di un corrispondente '(': questo è un risultato non voluto di una scelta sbagliata di vocaboli, e sarebbe meglio cambiarlo. Non fare affidamento su questo.
Le referenze all'indietro sono un casino incredibile, e rendono molto difficile un'implementazione efficiente. La loro definizione è pure ambigua: "a\(\(b\)*\2\)*d" corrisponde a "abbbd" o no? È meglio non usarle.
Le specifiche in POSIX.2 sulle corrispondenze indipendenti da maiuscole/minuscole sono approssimative. La definizione data sopra di «un caso implica tutti i casi» è quella al momento considerata corretta dagli implementatori.
Questa pagina è tratta dal pacchetto sulle espressioni regolari di Henry Spencer.
POSIX.2, sezione 2.8 (Notazione per le espressioni regolari).
Questa pagina fa parte del rilascio 3.73 del progetto Linux man-pages. Una descrizione del progetto, le istruzioni per la segnalazione degli errori, e l'ultima versione di questa pagina si trova su http://www.kernel.org/doc/man-pages/.
La versione italiana fa parte del pacchetto man-pages-it v.
3.73, a cura di: ILDP "Italian Linux Documentation Project"
http://www.pluto.it/ildp
Per la traduzione in italiano si può fare riferimento a
http://www.pluto.it/ildp/collaborare/
Segnalare eventuali errori di traduzione a ildp@pluto.it
2009-01-12 |