&xwp;: espressioni regolari

Le espressioni regolari (RE) sono usate comunemente per determinare se una stringa di caratteri corrisponde in qualche punto ad un insieme di stringhe. Esse permettono di specificare criteri di corrispondenza complessi, e per questo sono molto pi— flessibili rispetto alle stringhe di ricerca classiche.

&xwp; usa una combinazione di molti standard per la sintassi delle RE. Il livello di funzionalit… Š modellato per la massima parte vicino alle espressioni regolari estese (ERE) supportate dai programmi UNIX egrep e awk. Sono supportati inoltre alcuni miglioramenti introdotti dal POSIX, tipicamente presenti nei programmi UNIX ex e vi.

Vengono applicate le seguenti regole (si consulti Definizione BNF per una definizione formale):

Caratteri base

Per la maggior parte, i caratteri in una ERE possono essere specificati semplicemente scrivendoli. Per esempio, abc corrisponde ad a, quindi b, quindi c.
Alcuni caratteri hanno significati speciali, e devono essere preceduti da un simbolo di backslash (escape). Questo vale per i seguenti caratteri:
```
    ~ . ^ $ ( ) { } [ ] ? + * |
```
Per esempio, 1\*2 corrisponde a 1, quindi *, quindi 2.
Il carattere backslash stesso deve essere preceduto da un backslash. Per esempio c:\\config\.sys corrisponde a c:\config.sys.
Il backslash pu• essere usato per descrivere caratteri difficili da digitare:
```
  \n    nuova linea           ASCII 10
  \t    tabulazione           ASCII  9
  \r    ritorno carrello      ASCII 13
  \b    backspace             ASCII  8
  \f    nuova pagina
  \e    escape                ASCII 27
  \x07  campanello            ASCII  7
```
I programmatori C e C++ sono familiari a questa notazione. Strettamente parlando, in accordo al POSIX, se \x2e venisse messo in una ERE dovrebbe significare "qualsiasi carattere" (Il carattere ASCII 0x2e Š il punto, che significa appunto qualsiasi carattere; si veda oltre), ma questa implementazione lo tratta come "corrispondere a un punto".
Alle volte il backslash Š usato per introdurre una funzione speciale delle ERE. Per esempio \< significa 'inizio di parola' (si veda oltre). Il carattere dopo il backslash viene scelto generalmente come qualcosa che non ha bisogno di escape, cosŤ questa sintassi non dovrebbe causare alcun problema.

Insiemi di caratteri

Gli insiemi di caratteri sono specificati in parentesi angolari e definiscono un insieme di caratteri accettabili, o se possibile un insieme di caratteri non accettabili.

  [abc]   corrisponde con a, b, o c
  [^abc]  corrisponde con tutto ci• che non sia a, b, n‚ c
  [a-z]   Š l'insieme di caratteri tra 'a' e 'z'
  [a-j-t] Š l'insieme di caratteri tra 'a' e 't'

Per corrispondere con un carattere -, ^, ] in un elemento in parentesi, lo si preceda con un escape (backslash). Per esempio, [\])}] corrisponde a ], o ), o }. Ô anche possibile specificare una classe di caratteri POSIX completa in parentesi addizionali accoppiate a "due punti". In questo contesto,

  [:alnum:]   significa tutti i caratteri alfanumerici
              (in ASCII, Š come dire A-Za-z0-9)
  [:lower:]   significa tutti i caratteri alfabetici minuscoli
  ... etc.

Per esempio, specificando [[:alnum:] \t] verranno cercati tutti i caratteri alfanumerici pi— la tabulazione.

Tutti i caratteri

Il carattere "punto" (.) corrisponde a qualsiasi singolo carattere, senza curarsi di cosa questo sia. Per esempio, t.e corrisponde a the, ma non a tree.

Caratteri costitutivi di parole

Le ERE GNU definiscono il termine "carattere costitutivo di parole" per includere qualsiasi carattere alfanumerico, oppure il simbolo di sottolineatura _ per risparmiare un po' di digitazione.

\w Š una scorciatoia per tutti i caratteri costitutivi di parole ed equivale a [[:alnum:]_] o [A-Za-z0-9_]. \W vale per ogni carattere non costitutivo di parole ed equivale a [^[:alnum:]_] o [^A-Za-z0-9_].

Queste scorciatoie non sono valide all'interno di insiemi di caratteri tra parentesi quadre.

Non-carattere

Una estensione Microsoft alle ERE permette di dire "qualsiasi carattere tranne questo" precedendo il carattere scelto con una tilde ~. Questa Š una via breve equivalente alla specifica del carattere in parentesi quadre (~a Š pi— breve di [^a]). Per esempio, t~he corrisponde a tie, ma non a the.

Ancore

Le ancore specificano condizioni in cui potrebbe occorrere un'espressione:

  ^       corrisponde se si Š in inizio stringa
  $       corrisponde se si Š in fine stringa
  \`      alternativa GNU per ^
  \'      alternativa GNU per $
  \<      corrisponde all'inizio di una parola (o di una stringa)
  \>      corrisponde alla fine della parola (o della stringa)
  \B      corrisponde all'interno di una parola
  \y      corrisponde all'inizio o alla fine di una parola (o di una stringa)

Qui si intende per "parola" la definizione data sopra secondo il GNU.

Per esempio, ^xyz corrisponde con xyz solo se si trova all'inizio della linea. \<fred corrisponde a fred, freddy, ma non ad alfred.

Ripetizioni

Usando ?, +, {M}, o {M,N} Š possibile ricercare ripetizioni:

  ab?c      corrisponde con a, quindi con nessuna o un'occorrenza di b, quindi c
  ab+c      corrisponde con a, quindi con una o pi— occorrenze di b, quindi c
  ab*c      corrisponde con a, quindi con nessuna o pi— occorrenze di b, quindi c
  ab{M}c    corrisponde con a, quindi con M occorrenze di b, quindi con c
  ab{M,}c   corrisponde con a, quindi con M o pi— occorrenze di b, quindi con c
  ab{M,N}c  corrisponde con a, quindi con un numero di occorrenze di b tra M ed N, quindi con c

Nella lista sopra, M ed N sono numeri decimali, e se vengono dati entrambi, M dev'essere maggiore o uguale a N.

Per esempio, [A-Za-z_][A-Za-z0-9_]* corrisponde con ogni identificatore C o C++ lecito. \w{10,} corrisponde con almeno 10 caratteri costitutivi di parole. \<[0-9]{5}\> corrisponde con un numero a 5 cifre.

Alternanza

Ô possibile cercare una cosa o un'altra usando il simbolo |. Per esempio, fred|bill corrisponde a fred o bill. fred|bill|rob corrisponde con uno qualsiasi dei tre.

ERE annidate

Si possono usare parentesi per raggruppare ERE in sub-ERE, cosŤ che gli operatori come quelli di ripetizione o di alternanza possano esservi applicati. Per esempio, (frog|toad)+ corrisponde con una o pi— occorrenze di frog o toad.

L'annidamento pu• essere portato per molti livelli.

Retro-riferimenti

Ogni volta che viene trovata una ERE annidata, quello che viene trovato viene immagazzinato. Ô possibile fare un retro-riferimento (riferirsi a questo risultato) pi— avanti nella ERE principale (ossia, qualunque cosa sia stata incontrata prima dev'essere incontrato ancora) specificando un backslash con una cifra decimale. Si possono retro-riferire fino a 9 ERE annidate.

Per esempio, \2 significa che la seconda ERE annidata dev'essere incontrata un'altra volta. Come risultato, (a|b)(c|d)\2\1 corrisponder… ad acca, o adda, o bcca, o bddb.

Notare che l'esempio dato sopra non Š una scorciatoia per scrivere (a|b)(c|d)(c|d)(a|b). I retro-riferimenti non si riferiscono alle ERE, ma a ci• che a esse viene fatto corrispondere.

I retro-riferimenti possono essere fatti all'interno di ERE annidate per retro-riferire ERE annidate. Per esempio, frog|((a|bc)d\1) corrisponde a frog, o ada, o bcdbc, ma non a adbc.