, 6882k

, 6882k

, etc. Isso pode ajudar ao buscar cabeçalhos HTML.  Dentro de uma classe de caracteres, o metacaractere de classe de caracteres ‘-’ (traço, travessão), indica uma faixa de caracteres:  , idêntica ao exemplo anterior. [0-9] e [a-z] são abreviações comuns de classes para combinar dígitos e letras minúsculas em inglês, respectivamente. Faixas múltiplas são boas, assim, [0123456789abcdefABCDEF] pode ser escrita como [0-9a-fA-F], (ou talvez [A-Fa-f0-9], visto que a ordem na qual são dadas as faixas não importa). Estes três últimos exemplos podem ser úteis ao processar números hexadecimais. Você pode combinar livremente faixas com caracteres literais: [0-9A-Z_!.?], combinar um dígito, letra maiúscula, sublinhado, ponto de exclamação, ponto ou ponto de interrogação. Observe que um traço só é um metacaractere dentro de uma classe de caracteres – caso contrário, ele combina com o caractere normal de traço. Na verdade, ele nem sempre é um metacaractere dentro de uma classe de caracteres. Se ele for o primeiro caractere relacionado na classe, provavelmente, ele pode não indicar uma faixa, assim, não é considerado um metacaractere. Da mesma forma, o ponto de interrogação e o ponto ao final da classe, normalmente são metacaracteres de expressão regular, mas só quando não dentro de uma classe (portanto, para ficar claro, os únicos metacaracteres especiais dentro da classe em [0-9A-Z_!.?] são os dois traços / travessões). 9 Metacaracteres Egrep Lendo ^cat$, ^$ e ^  Respostas às perguntas da página 7.  ^cat$ Literalmente, significa: combina se a linha tiver um início de linha (que, é claro, todas as linhas têm), imediatamente seguido por c-a-t, e depois, imediatamente seguido pelo final da linha. Efetivamente, significa: uma linha que consiste apenas de cat – sem palavras extras, espaços, pontuação, apenas ‘cat’.  ^$ Literalmente, significa: combina se a linha tiver um início de linha, imediatamente seguido pelo final da linha. Efetivamente, significa: uma linha vazia (sem qualquer conteúdo, nem ao menos espaços).  ^ Literalmente, significa: combina se a linha tiver um início de linha. Efetivamente, sem sentido! Visto que cada linha tem um início, cada linha combinará – até mesmo as linhas que estão vazias! Considere as classes de caracteres como a mini linguagem delas. As regras relativas adas pelos metacaracteres (e o que eles fazem) são completamente diferentes dentro e fora de classes de caracteres. Veremos mais exemplos disso em breve. Classes de Caracteres Negadas Se você usar [^...] em vez de [...], a classe combina qualquer caractere que não esteja relacionado. Por exemplo, [^1-6] combina um caractere que não é de 1 a 6. O ^ precedente na classe, “nega” a lista, portanto, em vez de relacionar os caracteres que deseja incluir na classe, você relaciona os caracteres que não deseja que sejam incluídos. Você pode ter notado que o ^ usado aqui é igual ao circunflexo de início de linha apresentado na página 7. O caractere é o mesmo, mas o significado é completamente diferente. Exatamente como a palavra em inglês “wind” pode significar coisas diferentes no contexto (às vezes uma brisa forte, às vezes o que você faz com um relógio), o mesmo pode acontecer com um metacaractere. Já vimos um exemplo, o intervalo de construção do traço / travessão. Ele só é válido dentro de uma classe de caracteres (e lá, apenas quando não inicialmente dentro da classe). ^ é uma âncora de linha fora de uma classe, porém, um metacaractere de classe dentro de uma classe (exceto apenas quando está imediatamente após a chave de abertura da classe; caso contrário, ele não é especial dentro de uma classe). Não tenha medo – há casos especiais mais complexos, outros, que veremos mais adiante, não são tão ruins. Como um outro exemplo, vamos buscar aquela lista de palavras em inglês que têm q seguido por algo diferente de u. Traduzir isso em uma expressão regular, se torna q[^u]. Experimentei isso na lista que tenho e, com certeza, não havia muitos. Encontrei alguns, inclusive uma série de palavras que eu nem sabia que existiam em inglês. Eis o que aconteceu. (O que eu digitei está em negrito.) 10 Capítulo 1: Introdução a Expressões Regulares % egrep ’q[^u]’ word.list Iraqi Iraqian migra qasida qintar goph zaqqum% Duas palavras notáveis não relacionadas são “Qantas”, a empresa aérea Australiana, e “Iraq” [Iraque]. Embora ambas as palavras estejam no arquivo word.list, nenhuma delas foi exibida pelo meu comando egrep. Por que?  Pense um pouco nisso e depois vire a página para conferir o seu raciocínio. Lembre-se que um caractere de classe de negação significa “combinar com um caractere que não está relacionado” e não “não combinar com o que está relacionado”. Esses podem parecer iguais, mas o exemplo Iraq mostra a diferença sutil. Uma maneira conveniente de ver uma classe negada é que ela é, apenas, uma abreviação de uma classe normal que inclui todos os possíveis caracteres, exceto aqueles que estão relacionados. Combinando Qualquer Caractere com Dot [Ponto] O metacaractere . (normalmente chamado de dot ou ponto) é uma abreviação de uma classe de caracteres que combina com qualquer caractere. Ele pode ser conveniente quando você quer ter um detentor de lugar do tipo “qualquer caractere aqui” em sua expressão. Por exemplo, se quiser buscar por uma data, tal como 19/03/76, 19-03-76 ou mesmo 19.03.76, você teria que ter o trabalho de montar uma expressão regular que usasse classes de caracteres para permitir, explicitamente ‘/’, ‘-‘ ou ‘.’ entre cada número, tal como 19[-./]03[-./]76. No entanto, também seria possível experimentar apenas  19.03.76. Algumas coisas estão acontecendo com este exemplo que, inicialmente, poderiam não ficar claras. Em 19[-./]03[-./]76 não há metacaracteres, pois eles estão dentro de uma classe de caracteres. (Lembre-se, a lista de metacaracteres e seus significados são diferentes dentro e fora das classes de caracteres.) Os traços (ou travessões), neste caso, também não são metacaracteres de classe, pois cada um é a primeira coisa depois de [ ou [^. Se eles não estivessem na frente, como com [.-/], eles seriam a classe de faixa de metacaracteres, o que nesta situação, seria um erro. Resposta ao Questionário  Resposta à pergunta da página 10. Por que q[^u] não combina com “Qantas” ou “Iraq”? Qantas não combinou porque a expressão regular pedia um q em letra maiúscula, visto que o Q em Qantas é maiúsculo. Se tivéssemos usado Q[^u], o teríamos encontrado, mas não os outros, pois eles não têm um Q em maiúscula. A expressão [Qq] [^u] teria encontrado todos eles. De certa forma, o exemplo de Iraq faz uma pergunta ardilosa. A expressão regular pede um q seguido por um caractere que não é u, o que impede combinar q ao final da linha. Normalmente, as linhas têm caracteres de nova linha em cada extremidade Metacaracteres Egrep 11 final, mas, um pequeno fato que me esqueci de mencionar (me desculpe!) foi que egrep as retira antes de verificar com a expressão regular, assim, após um q terminando a linha, não há um u com o qual ser combinado. Não se sinta mal por causa da pergunta ardilosa.† Deixe-me garantir que se egrep não tivesse retirado automaticamente as novas linhas (muitas outras ferramentas não as retira), ou se Iraq tivesse sido seguido por espaços, outras palavras ou não, a linha teria sido combinada. É importante para entender, eventualmente, os pequenos detalhes de cada ferramenta, porém, a esta altura, o que eu gostaria que você entendesse a partir deste exercício é que uma classe de caracteres, mesmo negada, ainda exige um caractere com o qual combinar. Com 19.03.76 , os pontos são metacaracteres – aqueles que combinam com qualquer caractere (inclusive o traço, o ponto e a barra oblíqua que estamos esperando). No entanto, é importante saber que cada ponto pode combinar com qualquer caractere, portanto, ele pode combinar, digamos, com ‘números de loteria: 19 203319 7639’. Assim, 19[-./]03[-./]76 é mais exato, porém, é mais difícil de ler e escrever. 19.03.76 é fácil de entender, mas vago. O que deveríamos usar? Tudo depende do que você sabe sobre os dados sendo buscados e o quão específico você sente que precisa ser. Uma questão importante repetitiva está relacionada com equilibrar o seu conhecimento de texto sendo procurado com a necessidade de ser sempre preciso ao escrever uma expressão. Por exemplo, se você soubesse que os seus dados seriam, pouco provavelmente, para 19.03.76 combinar em um lugar indesejado, com certeza seria razoável usá-los. Conhecer bem o texto alvo é uma parte importante em moldar com eficiência as expressões regulares. Alternância Combinando qualquer de várias subexpressões Um metacaractere muito conveniente é |, o qual significa “ou”. Ele permite que você combine múltiplas expressões em uma única expressão que combina com qualquer das individuais. Digamos, por exemplo, que Bob e Robert sejam expressões separadas, mas  Bob|Robert seja uma expressão que combina com qualquer uma delas. Quando combinadas assim, as subexpressões são chamadas de alternativas. Voltando ao nosso exemplo gr[ea]y,é interessante notar que ele pode ser escrito como grey|gray e até como gr(a|e)y. O último caso usa parênteses para restringir a alternância. (A título de registro, os parênteses também são metacaracteres.) Observe que algo como gr[a|e]y não é o que queremos – dentro de uma classe, o caractere ‘|’ é apenas um caractere normal, como a e e.  Com gr(a|e)y, são necessários os parênteses, pois, sem eles, gra|ey significa “gra ou ey”, que não desejamos aqui. A alternância vai longe, mas não além dos parênteses. Um outro exemplo é (First|1st)•[Ss]treet [Rua Um].† De fato, visto que ambos First e 1st ter † Uma vez, na quarta série, eu estava liderando a competição de soletração quando fui solicitado a soletrar “miss”. A minha resposta foi “m-i-s-s”[falha, engano]. A Srta. Smith teve o prazer de me dizer que não, que era “M-i-s-s” [Senhorita, mulher jovem, solteira], com M maiúsculo, que eu deveria ter pedido uma sentença de exemplo, e que eu estava fora. Foi um momento traumático na vida de um menino. Depois daquilo, nunca mais gostei da Srta. Smith e, desde então, tenho sido muito ruim em soletração. 12 Capítulo 1: Introdução a Expressões Regulares minam com st, a combinação pode ser abreviada para (Fir|1)st•[Ss]treet. Necessariamente, isso não é muito fácil de ler, mas, assegure-se de entender que, efetivamente, (first|1st) e (fir|1)st significam a mesma coisa. Eis um exemplo envolvendo uma soletração alternativa do meu nome. Compare e contraste as seguintes três expressões, as quais são, efetivamente, iguais: Jeffrey|Jeffery   Jeff(rey|ery) Jeff(re|er)y  Para combiná-las com a ortografia Britânica também, elas seriam: (Geoff|Jeff)(rey|ery)  (Geo|Je)ff(rey|ery)  (Geo|Je)ff(re|er)y  Por fim, observe que essas três combinações são iguais a mais longa (porém mais simples) Jeffrey|Geoffery|Jeffery|Geoffrey. Todas elas são maneiras diferentes de especificar as mesmas combinações desejadas. Ainda que os exemplos gr[ea]y comparado com gr(a|e)y possam embaçar a distinção, tenha cuidado para não confundir o conceito de alternância com aquele de uma classe de caracteres. Uma classe de caracteres pode combinar com apenas um único caractere no texto alvo. Com a alternância, visto que cada alternativa pode ser uma expressão regular totalmente desenvolvida, dentro e fora de si mesma, cada alternativa pode combinar com uma quantidade arbitrária de texto. As classes de caracteres são quase como a sua própria mini linguagem especial (por exemplo, com as suas próprias ideias sobre metacaracteres), enquanto que a alternância é parte da linguagem “principal” de expressão regular. Você descobrirá que ambas são extremamente úteis. Também é preciso tomar cuidado ao usar o circunflexo ou o cifrão em uma expressão que tenha alternância. Compare ^From|Subject|Date:• com ^(From|Subject|Date):•. Ambas parecem semelhantes ao nosso exemplo anterior de e-mail, mas o que cada uma combina (e, portanto, o quão útil é), difere muito. A primeira é composta de três alternativas, assim, ela combina com “From, Subject ou Date:•”, o que não é especialmente útil. Queremos o circunflexo inicial e o :• final para aplicar a cada alternativa. Nós podemos conseguir isso, usando parênteses para “restringir” a alternância: ^(From|Subject|Date):• A alternância é restrita pelos parênteses, assim, literalmente, essa regex significa “combinar com o início da linha, depois com um de From, Subject ou Date e depois, combinar com  :•. Efetivamente, ela combina: 1)  início de linha, seguido por F-r-o-m, seguido por ‘:•’ ou 2)  início de linha, seguido por S-u-b-j-e-c-t, seguido por ‘:•’ ou 3)  início de linha, seguido por D-a-t-e, seguido por ‘:•’ Colocando menos literalmente, ela combina linhas começando com ‘From:•’, ‘Subject:•’ ou ‘Date:•’, que é bastante útil para relacionar as mensagens em um arquivo de e-mail. † Recordação das convenções tipográficas da página xix, em que “•” é como às vezes eu mostro um caractere de espaço, de modo que ele possa ser visto com facilidade. Metacaracteres Egrep 13 Eis um exemplo: % egrep ’^(From|Subject|Date): ’ mailbox From: [email protected] (The King) Subject: be seein’ ya around Date: Mon, 23 Oct 2006 11:04:13 From: The Prez [email protected] Date: Wed, 23 Oct 2006 8:36:24 Subject: now, about your vote . . . Ignorando as Diferenças em Letras Maiúsculas Este exemplo de cabeçalho de e-mail oferece uma boa oportunidade para apresentar o conceito de uma combinação case-insensitive [ignorando maiúsculas e minúsculas]. Normalmente, o campo de fontes em um cabeçalho de e-mail aparece com maiúscula à frente, tal como “Assunto” e “De”, porém, o e-mail padrão permite a mistura de letras maiúsculas e minúsculas, de modo que coisas como “DATA” e “de” também são permitidas. Infelizmente, a expressão regular na seção anterior não as combina. Uma abordagem é substituir From por [Ff][Rr][Oo][Mm] para combinar qualquer forma de “from”, porém, isso é no mínimo de manejo bem difícil. Por sorte, há uma maneira de dizer ao egrep para ignorar o estilo de fonte ao fazer comparações, ou seja, executar a combinação de uma maneira sensível à case-insensitive, onde as diferenças de maiúsculas ou minúsculas são simplesmente ignoradas. Isso não faz parte da linguagem de expressão regular, mas é um recurso útil associado que muitas ferramentas fornecem. A opção de linha de comando de egrep “-i” o informa para fazer uma combinação sensível à tipográfica. Coloque –i na linha de comando antes da expressão regular: % egrep –i ’^(From)Subject|Date): ’ mailbox Isso apresenta todas as linhas que combinamos anteriormente, mas também inclui linhas como: SUBJECT: MAKE MONEY FAST Com bastante frequência, eu me vejo usando a opção –i (talvez devido à relação com a nota de rodapé da página 11!), portanto, recomendo ter isso em mente. Em capítulos posteriores, veremos outros recursos de e convenientes. Limites de Palavra Um problema comum é que uma expressão regular que combina a palavra desejada, com frequência também pode combinar onde a “palavra” está embutida em uma palavra maior. Mencionei isso rapidamente nos exemplos cat, gray e Smith. Mas, acontece que algumas versões de egrep oferecem e limitado ao reconhecimento de palavra: nomeadamente, a habilidade de combinar o limite de uma palavra (onde uma palavra se inicia e termina). Você pode usar as meta strings \< e \> (talvez de aparência estranha), se por acaso a sua versão á-las (nem todas as versões de egrep o fazem). É possível pensar nelas como versões de ^ e $ baseadas em palavras, que combinam a posição no início e no fim de uma palavra, respectivamente. Como as âncoras de linha, circunflexo e cifrão, elas ancoram outras partes da expressão regular, mas, na verdade não usam quaisquer caracteres durante uma combinação. A expressão  <\cat\> significa, literalmente, “combinar, se pudermos encontrar uma posição de início de palavra, imediatamente seguida por c-a-t, logo depois seguida por uma posição de 14 Capítulo 1: Introdução a Expressões Regulares fim de palavra”. Com mais naturalidade, ela significa “encontrar a palavra cat”. Se você quisesse, poderia usar / < cat ou cat\> para encontrar palavras começando e terminando com cat. Observe que sozinhos, < e > não são metacaracteres – quando combinadas com uma barra invertida, as strings tornam-se especiais. Por isso é que as chamei de “meta strings”. A interpretação especial delas é importante, não a quantidade de caracteres, portanto, na maioria das vezes eu uso essas duas meta palavras alternadamente. Lembre-se que nem todas as versões de egrep am esses metacaracteres de limite de palavra, e aquelas que não entendem, magicamente, o idioma inglês. O “início de uma palavra” é simplesmente a posição onde começa uma string de caracteres alfanuméricos; “fim de palavra” é onde tal string termina. A Figura 1-2, mostra uma linha de exemplo com essas posições marcadas. Os inícios de palavras (conforme egrep os reconhece) estão marcados com setas para cima, os finais de palavras com setas para baixo. Como é possível ver, “início e fim de palavra” é dito mais claramente como “início e fim de uma string alfanumérica”, mas talvez, isso seja muita conversa. That dang - tootin’ #@!%* - posições onde \< é verdadeira varmint’s cost me $199.95 ! - posições onde \> é verdadeira That – “palavras” dang - tootin’ #@!%* - posições onde \< é verdadeira Figura 1-2: Posições de início e fim de “palavra” - posições onde \> é ve Resumidamente A Tabela 1-1 resume os metacaracteres que vimos até agora. Tabela 1-1: Resumo de Metacaracteres Vistos Até Agora Metacaractere Nome Combina . [ ] [^ ] ponto qualquer caractere qualquer caractere relacionado classe de caractere classe de caractere de nega- qualquer caractere não relacionado ção ^ $ \< \> circunflexo cifrão barra invertida, menor que barra invertida, maior que a posição no início da linha a posição ao final da linha † a posição no início de uma palavra † a posição ao final de uma palavra † não ado por todas as versões de egrep | ( ) ou, barra parênteses varmint’ combina com qualquer expressão que ela separa usado para limitar o escopo de |, além de usos adicionais que ainda serão abordados Além da tabela, pontos importantes a serem lembrados incluem: • As regras sobre quais caracteres são metacaracteres e quais não são (e exatamente o que eles significam) diferem dentro de uma classe de caracteres. Por exemplo, ponto é um metaca- Metacaracteres Egrep 15 ractere fora de uma classe, mas não dentro de uma. Ao contrário, um traço (normalmente) é um metacaractere dentro de uma classe, mas não fora. Além do mais, um circunflexo tem um significado fora e um outro especificado dentro de uma classe imediatamente após a abertura [, e um terceiro significado se fornecido em qualquer outro lugar na classe. • Não confunda alternância com uma classe de caracteres. A classe [abc] e a alternância  (a|b|c) significam, efetivamente, a mesma coisa, mas a semelhança neste exemplo não se estende ao caso em geral. Uma classe de caractere pode combinar exatamente um caractere, e isso é verdade, independente de quão longa ou curta possa ser a lista especificada de caracteres aceitáveis. Por outro lado, a alternância pode ter longas alternativas arbitrárias, cada qual textualmente não relacionada com a outra: \<(1,000,000|million|thousand•thou)\>. Entretanto, a alternância não pode ser invalidada como uma classe de caractere. • Um caractere de negação é simplesmente uma conveniência de notação para uma classe de caractere normal que combina com qualquer coisa que não esteja relacionada. Assim,  [^x] não significa “combinar a menos que haja um x”, e sim “combinar se houver algo que não seja x”. Apesar de sutil, a diferença é importante. Por exemplo, o primeiro conceito combina uma linha em branco, enquanto que [^x] não combina. • A útil opção –i ignora letras maiúsculas e minúsculas durante uma combinação (☞13).† O que vimos até agora pode ser bastante útil, mas a verdadeira força vem dos elementos opcionais e de contagem, que veremos a seguir. Itens Opcionais Vejamos a combinação de color ou colour. Visto que ambas são iguais, exceto que uma tem um u e a outra não, podemos usar colou?r para combinar com qualquer uma. O metacaractere ? (ponto de interrogação) significa opcional. Ele é colocado depois de um caractere que tem permissão de aparecer naquele ponto da expressão, porém, cuja existência não é exigida, de fato, para ser considerada uma combinação bem sucedida. Diferente de outros metacaracteres que vimos até agora, o ponto de interrogação só combina com o item imediatamente precedente. Assim, colou?r é interpretado como “c, depois o, depois l, depois o, depois u? e depois r”. A parte u? é sempre bem sucedida: às vezes, ela combina com um u no texto, enquanto que em outras vezes não combina. A questão toda é que a parte opcional-? é considerada bem sucedida de qualquer das maneiras. Isso não significa que qualquer expressão regular que contém ? é sempre bem sucedida. Por exemplo, com 'semicolor', ambos, colo e u?, são bem sucedidos (combinando colo e nada [vazio], respectivamente). Porém, o final r falha e é isso que não permite o semicolon no final, de ser combinado por  colou?r. Como um outro exemplo, imagine combinar uma data que represente quatro de Julho, com a parte “July sendo July ou Jul e a parte “fourth” sendo fourth, 4th [4º] ou apenas 4. †Recordando as convenções tipográficas (página xix), que às vezes se parece como “☞13”, trata-se de uma abreviação para uma referência à outra página neste livro. 16 Capítulo 1: Introdução a Expressões Regulares É claro que poderíamos simplesmente usar ( July|Jul)•(fourth|4th|4), mas, vamos explorar outras formas de expressar a mesma coisa. Primeiro, podemos encurtar o ( July|Jul) para ( July?). Você vê como eles são, efetivamente, iguais? A remoção do | significa que os parênteses não são mesmo mais necessários. Afastar os parênteses não incomoda, mas com eles removidos, July? é um pouco menos amontoado. Isso nos deixa com July?•(fourth|4th|4). Indo para a segunda metade, podemos simplificar o 4th|4 para 4(th)?. Como é possível ver, ? pode anexar a uma expressão com parênteses. Dentro dos parênteses pode haver uma subexpressão tão complexa quanto você quiser, mas “de fora” ela é considerada uma unidade individual. O agrupamento para ? (e outros metacaracteres similares que apresentaremos em breve) é um dos principais usos de parênteses. Agora, a nossa expressão se parece com July?•(fourth|4(th)?). Ainda que haja uma boa quantidade de metacaracteres e até mesmo parênteses aninhados, não é tão difícil decifrar e entender. Essa abordagem de dois exemplos essencialmente simples foi bastante longa, mas ao mesmo tempo, cobrimos tópicos importantes, que acrescentam muito, talvez apenas no subconsciente, ao nosso entendimento de expressões regulares. Da mesma forma, obtemos alguma experiência em tomar diferentes caminhos na direção do mesmo objetivo. À medida em que avançamos por este livro (e através de um entendimento melhor), você descobrirá muitas oportunidades para resultados criativos para prosseguir enquanto estiver tentando encontrar a maneira ótima de solucionar um problema complexo. Longe de ser uma ciência retrograda, escrever expressões regulares está mais perto de uma arte. Outros Quantificadores: Repetição Semelhantes à interrogação, são + (adição) e * (um asterisco, mas como um metacaractere de expressão regular, eu prefiro o termo estrela). O metacaractere + significa “um ou mais do item imediatamente precedente”, e * significa “qualquer número do item, inclusive nenhum”. Escrito diferentemente, ...* significa “tentar combiná-lo tantas vezes quantas possível, mas está certo ajustar para nenhuma, se for preciso”. A construção com o sinal de adição, ...+ é semelhante no que se refere a que ele também tenta combinar tantas vezes quanto possível, porém é diferente, pois falha se não puder combinar pelo menos uma vez. Esses três metacaracteres, ponto de interrogação, adição e estrela são chamados de quantificadores, porque eles influenciam a quantidade do que regem. Tal como ...?, a parte ...* de uma expressão é sempre bem sucedida, sendo que a única questão é qual texto (se houver) é combinado. Compare isso com ...+, que falha, a menos que o item combine pelo menos uma vez. Por exemplo, •? permite um único espaço opcional, mas •* permite qualquer quantidade de espaços opcionais. Podemos usar isto para tornar mais flexível o exemplo da página 8 . A especificação HTML† diz que são permitidos espaços imediatamente antes do fechamento >, tal como com e . Inserindo •* em nossa expressão regular onde queremos permitir (mas não exigir) espaços, obtemos  . Isso ainda combinará , pois não são exigidos quaisquer espaços, porém, ainda é flexível para se relacionar com as outras versões. Aprofundando-nos mais, busquemos uma tag HTML, tal como , a qual indica que uma linha (uma Horizontal Rule [Linha Horizontal]) com 14 pixels de espessura deve Metacaracteres Egrep 17 ser desenhada pela tela. Como no exemplo de , os espaços opcionais são permitidos antes da chave angular de fechamento. Além disso, eles são permitidos em ambos os lados do sinal de igualdade. Finalmente, é exigido um espaço entre o HR e o SIZE, embora sejam permitidos mais. Para permitir mais, poderíamos simplesmente acrescentar •* ao * já existente, mas, em vez disso, vamos mudá-lo para •+. O sinal de adição permite espaços extras enquanto ainda exige pelo menos um, portanto, na realidade, para ser conciso ele é igual a ••*. Todas essas alterações nos deixam com  . Embora flexível com relação a espaços, a nossa expressão ainda é inflexível com relação ao tamanho dado na tag. Em vez de encontrar tags apenas com um tamanho em especial, tal como 14, nós queremos encontrá-las todas. Para conseguir isso, substituímos o 14 por uma expressão para encontrar um número geral. Bem, neste caso, um “número” consiste de um ou mais dígitos. Um dígito é [0-9] e adiciona “um ou mais”, portanto, acabamos substituindo 14 por [0-9]+. (Um caractere de classe é uma “unidade”, assim, pode estar diretamente sujeito a um sinal de adição, ponto de interrogação e assim por diante, sem a necessidade de parênteses.) Isto nos deixa com  , o que por certo é muita coisa, ainda que tenha sido mostrado com os metacaracteres em negrito, com o acréscimo de um pouco de espaçamento para tornar o agrupamento mais claro e eu esteja usando o símbolo “visível de espaço”, ‘•’, para clareza. (Felizmente, egrep tem a opção –i case-sensitive, ☞ 13, o que significa que não preciso usar [Hh] [Rr] em vez de HR.) A expressão regular sem enfeites  , provavelmente parece até mais complicada. Este exemplo parece bem estranho, porque os assuntos da maioria das estrelas e sinais de adição são caracteres de espaço e o nosso olhar sempre foi treinado para tratar os espaços como especiais. Esse é um costume do qual você terá que se afastar ao ler expressões regulares, pois o caractere de espaço é um caractere normal, sem diferença de digamos, j ou 4. (Em capítulos posteriores, veremos que algumas outras ferramentas am um modo especial, no qual espaço em branco é ignorado, mas, egrep não possui tal modo.) Prosseguindo na exploração de um bom exemplo, vamos imaginar que o atributo de tamanho seja opcional, portanto, você pode simplesmente usar se for desejado o tamanho padrão. (Como sempre, espaços extras são permitidos antes de >.) Como podemos modificar a nossa expressão regular para que ela combine com qualquer tipo? A chave está em perceber qual parte do tamanho é opcional (esta é uma dica).  Vire a página para conferir a sua resposta. Dê uma boa olhada em nossa última expressão (na caixa de resposta), para verificar as diferenças entre o ponto de interrogação, a estrela e o sinal de adição, e o que eles realmente significam na prática. A Tabela 1-2, resume o significado deles. Observe que cada quantificador tem algum número mínimo de combinações exigido para ser bem sucedida, e uma quantidade máxima de combinações que sempre tentará fazer. Com algumas, o número mínimo é zero; com outras, o número máximo é ilimitado. † Se você não estiver familiarizado com HTML, não tema. Eu uso esses exemplos de mundo real, mas forneço todos os detalhes necessários para entender as ações tomadas. Aqueles que estão familiarizados com a análise de tags [tags] HTML, provavelmente reconhecerão informações importantes que não abordo a esta altura do livro. 18 Capítulo 1: Introdução a Expressões Regulares Formando uma Subexpressão Ótima Resposta à pergunta da página 17. Neste caso, “opcional” significa que ele é permitido uma vez, porém, não exigido. Isso significa usar ?. Visto que o item opcional é maior que um caractere, precisamos usar parênteses: (...) ?. Inserindo em nossa expressão, obtemos:  ! "  Observe que o final •* é mantido fora do (...)?. Isso ainda permitirá algo como . Se tivéssemos incluído entre parênteses, os espaços finais só teriam sido permitidos quando o size do componente estivesse presente. Da mesma forma, note que o •+ antes de SIZE é incluído entre parênteses. Se ele fosse deixado fora deles, seria exigido um espaço depois do HR, mesmo se a porção SIZE não estivesse presente. Isso levaria ‘ ’ a não combinar. Tabela 1-2: Resumo de Quantificador “Repetição de Metacaracteres” ? * + Mínimo Exigido Máximo a Tentar Significado nenhum nenhum 1 1 sem limite sem limite um permitido; nenhum exigido (“um opcional”) permissão ilimitada; nenhum exigido (“qualquer quantia OK”) permissão ilimitada; um exigido (“pelo menos um”) Faixa definida de combinações: intervalos Algumas versões de egrep am uma meta string para oferecer o seu próprio mínimo e máximo: ...{min, max}. Isso é chamado de quantificador de intervalo. Por exemplo, ...{3, 12} combina até 12 vezes, se possível, mas, para em três. Seria possível usar [a-zA-Z] {1. 5} para combinar um registrador automático de cotação de títulos dos EUA (à uma de cinco letras). Usar essa notação, {0,1}, é o mesmo que usar um ponto de interrogação. Não são muitas as versões de egrep que já am essa notação, porém, muitas ferramentas o fazem, assim, ela é discutida no Capítulo 3, quando virmos em detalhes o amplo espectro de metacaracteres comumente utilizados na atualidade. Parênteses e Referências Anteriores Até agora, vimos duas utilizações para os parênteses: limitar o escopo de alternância, | e agrupar múltiplos caracteres em unidades maiores às quais é possível aplicar quantificadores, como pontos de interrogação e estrela. Eu gostaria de discutir sobre um outro uso especializado que não é comum em egrep (embora a versão popular do GNU e), mas que é normalmente encontrado em muitas outras ferramentas. Em muitos sabores de expressões regulares, os parênteses podem se “lembrar” de texto combinado pela subexpressão que eles envolvem. Usaremos isso em uma solução parcial para o problema de palavras duplicadas do início deste capítulo. Se você conhecesse a a palavra (the word do livro original para explicar a próxima sentença) duplicada específica a encontrar (tal como o “the” nesta sentença – conseguiria pegá-la?), poderia buscá-la explicitamente, tal como com the•the. Nesse caso, também poderia encontrar itens tais como the•theory, embora pudesse contornar o problema facilmente se o seu egrep asse as Metacaracteres Egrep 19 meta strings de limite de palavra \<...\> mencionadas na página 14: \ . Poderíamos usar •+ para o espaço, para maior flexibilidade. No entanto, ter que verificar cada possível par de palavras seria uma tarefa impossível. Não seria bom se pudéssemos combinar uma palavra genérica e depois dizer “agora, combina novamente a mesma coisa?” Se o seu egrep ar referência anterior, é possível. A referência anterior é um recurso de expressão regular que lhe permite combinar novo texto que é igual a algum texto combinado anteriormente na expressão. Começamos com \  e substituímos o the inicial por uma expressão regular, para combinar uma palavra geral, como [A-Za-z]+. Depois, por motivos que ficarão claros no próximo parágrafo, colocamos parênteses em volta dela. Por fim, substituímos o segundo ‘the’ pela meta string especial \1. Isso produz \<([A-Za-z]+)•+\1\>. Com ferramentas que am referências anteriores, os parênteses “lembram” o texto com o qual a subexpressão dentro deles combina, e a meta string especial \1 representa aquele texto posteriormente na expressão regular, sempre que for a hora. Logicamente é possível ter mais de um conjunto de parênteses em uma expressão regular. Use \1, \2, \3, etc, para referenciar o primeiro, segundo, terceiro, etc. conjuntos. Os pares de parênteses são numerados contando os parênteses de abertura a partir da esquerda, portanto, com ([a-z])([0-9])\1\2, o •\1 refere-se ao texto combinado por [a-z] e \2 refere-se ao texto combinado por [0-9]. Com o nosso exemplo ‘the•the’, [A-Za-z]+ combina com o primeiro ‘the’. Ele está dentro do primeiro conjunto de parênteses, portanto, o ‘the’ combinado torna-se disponível através de \1. Se o •+ seguinte combinar, o \ 1 subsequente exigirá um outro ‘the’. Se \1 for bem sucedido, então \> garante que agora estamos no limite do final de uma palavra (o que não aconteceria se houvesse o texto ‘the•theft’). Se bem sucedido, encontramos uma palavra repetida. Nem sempre é o caso em que que há um erro (tal como com “que” nesta sentença), mas é você quem decide quando linhas suspeitas são exibidas. Quando resolvi incluir este exemplo, na verdade eu o experimentei no que tinha escrito até então. (Usei uma versão de egrep que a ambos, \<...\> e referência anterior.) Para torná-lo mais útil, de modo que ‘The•the’ também pudesse ser encontrado, usei a opção –i case-sensitive mencionada na página 13.† Eis o comando que executei: % egrep –i ‘\<([a-z]+) +\1\>’ files [arquivos] Fiquei surpreso de encontrar catorze conjuntos de palavras erroneamente ‘repetidas-repetidas’! Eu as corrigi e, desde então, tenho montado esse tipo de expressão regular de verificação nas ferramentas que uso para produzir a saída final deste livro, para garantir que não ficasse nenhum escorregão. Ainda que essa expressão regular seja tão útil, é importante entender as suas limitações. Visto que egrep considera isoladamente cada linha, não consegue encontrar quando o final de palavra de uma linha é repetido no início da próxima. Por isso, é necessária uma ferramenta mais flexível, e no próximo capítulo veremos alguns exemplos. †Esteja ciente de que algumas versões de egrep, inclusive versões mais antigas oferecidas do popular GNU, causam um bug [mau funcionamento] com a opção –i, de modo que não se aplicam a referências anteriores. Assim ele encontra “the the”, mas não “The the”. 20 Capítulo 1: Introdução a Expressões Regulares O Ótimo Escape Uma coisa importante que ainda não mencionei é como, de fato, combinar um caractere que, normalmente, uma expressão regular interpretaria como um metacaractere. Por exemplo, se eu buscasse por um hostname [nome de hospedeiro / domínio] da Internet ega.att.com usando ega.att.com, ele poderia acabar combinando algo como megawatt•computing. Lembre-se, . é um metacaractere que combina com qualquer caractere, inclusive um espaço. A meta string para combinar com um ponto é um ponto precedido de uma barra invertida: ega\.att\.com. A string \. é descrita como um escaped period ou escaped dot [ponto de escape] e é possível fazer isso com todos os metacaracteres normais, exceto em uma classe de caracteres.† Uma barra invertida usada dessa maneira é chamada de “escape” – quando um metacaractere escapa, ele perde o seu significado especial e se transforma em um caractere literal. Se você quiser, pode considerar a string como uma meta string especial para combinar com o caractere literal. É tudo a mesma coisa. Como um outro exemplo, você poderia usar \([a-zA-Z]+\) para combinar com uma palavra entre parênteses, tal como ‘(very)’ [muito]. As barras invertidas nas strings \ ( e \ ) removem a interpretação especial dos parênteses, deixando-os como literais para combinar com os parênteses no texto. Quando usada antes de um não metacaractere, uma barra invertida pode ter diferentes significados, dependendo da versão do programa. Por exemplo, já vimos como algumas versões tratam \<, \>, \1, etc. como meta strings. Veremos muitos outros exemplos nos próximos capítulos. Além do Fundamental Espero que os exemplos e as explicações dadas até agora tenham ajudado a estabelecer a base para uma compreensão sólida de expressões regulares, mas, por favor, note que o oferecido não tem profundidade. Há muito mais lá fora. Diversificação Linguística Eu mencionei uma série de recursos de expressão regular que a maioria das versões de egrep a. Existem outros recursos, alguns dos quais não são ados por todas as versões, o que deixarei para capítulos posteriores. Infelizmente, a linguagem de expressão regular não é diferente de qualquer outra, pelo fato de ter diversos dialetos e sotaques. Parece que cada novo programa empregando expressões regulares concebe seus próprios “aperfeiçoamentos”. O moderno avança continuamente, porém, com os anos as alterações resultaram em uma ampla gama de “sabores” de expressão regular. Nos próximos capítulos veremos muitos exemplos. †A maioria das linguagens de programação e de ferramentas permite que você também escape caracteres dentro de uma classe de caracteres, porém, a maioria das versões de egrep não o faz, ao invés disso, trata ‘\’ dentro de uma classe, como uma barra invertida literal a ser incluída na lista de caracteres. Ampliando a Base 21 O Objetivo de uma Expressão Regular A partir da ampla visão de cima para baixo, uma expressão regular ou combina dentro de um pedaço de texto (com egrep, cada linha), ou não combina. Ao moldar uma expressão regular, é preciso levar em conta o cabo-de-guerra em andamento entre fazer a sua expressão combinar com as linhas desejadas, e mesmo assim, não combinar com as linhas que você não deseja. Da mesma forma, enquanto que egrep não se preocupa onde, na linha, acontece uma combinação, essa preocupação é importante para muitas outras utilizações de expressão regular. Se o seu texto for algo como ...CEP é 44272. Se você escrever, envie $4,85 para o valor do selo... e você só quiser encontrar as linhas que combinam com [0-9]+, não tem preocupação com quais números são combinados. No entanto, se a sua intenção for fazer alguma coisa com o número (tal como salvar um arquivo, acrescentar, substituir e etc. – veremos exemplos desse tipo de processamento no próximo capítulo), você se preocupará muito, exatamente para com quais números são combinados. Mais Alguns Exemplos Como com qualquer linguagem, a experiência é uma coisa muito boa, assim, incluo mais alguns exemplos de expressões regulares para combinar com algumas construções comuns. Ao escrever expressões regulares, metade da batalha é conseguir combinações bem sucedidas quando e onde você as deseja. A outra metade é não combinar quando e onde você não deseja. Na prática, ambas são importantes, entretanto no momento, eu gostaria de me concentrar na questão “conseguir combinações bem sucedidas”. Ainda que os exemplos não sejam tomados em sua maior profundidade, eles ainda oferecem uma perspicácia útil. Nomes de Variáveis Muitas linguagens de programação têm identificadores (nomes de variáveis, etc.) que só podem conter caracteres alfanuméricos e sublinhados, porém, que não podem começar com um dígito. Eles são combinados por [a-zA-Z_][a-zA-Z_0-9]*. A primeira classe de caractere combina com o que o primeiro caractere pode ser, a segunda (seguida por uma estrela), possibilita o restante do identificador. Se houver um limite no comprimento de um identificador, digamos de 32 caracteres, você pode substituir a estrela por {0,31} se a notação  {min,max} for ada. (Essa construção, o quantificador de intervalo, foi mencionada rapidamente na página 18.) Uma string dentro de aspas duplas Uma solução simples para combinar uma string [string] dentro de aspas duplas poderia ser: ”[^”]*”. As aspas duplas em cada extremidade devem combinar com as aspas duplas de abertura e fechamento da string. Entre elas, podemos não ter nada ... exceto uma outra aspa dupla! Assim, usamos [^*] para combinar todas os caracteres, exceto uma aspa dupla, e aplicar usando uma estrela para indicar que temos qualquer quantidade de tais caracteres não de aspas duplas. Uma definição mais útil (ainda que mais complexa) de uma string entre aspas duplas, permite 22 Capítulo 1: Introdução a Expressões Regulares aspas duplas dentro da string se elas forem escapadas com uma barra invertida, tal como em “nail•the•2\”x4\”•plank”. Em futuros capítulos, veremos este exemplo diversas vezes enquanto abordarmos os muitos detalhes de como é, realmente, realizada uma combinação. Quantia em dólar (com opção de centavos) Uma abordagem para combinar uma quantia em dólar é: \$[0-9]+(\.[0-9][0-9])?. A partir de uma perspectiva de nível superior, esta é uma expressão regular simples, com três partes: /$, ...+ e (...)?, que poderia ser vagamente parafraseada como “um sinal literal de dólar, um punhado de uma coisa e, finalmente, talvez uma outra coisa”. Nesse caso, a “uma coisa” é um dígito (com um punhado deles sendo um número), e “uma outra coisa” é a combinação de um ponto decimal seguido por dois dígitos. Este exemplo é um pouco ingênuo por diversos motivos. Por exemplo, ele considera quantias de dólar como $1000, e não como $1,000. Ele permite a opção de centavos, mas sinceramente, isso não é realmente muito útil quando aplicado com egrep. O egrep nunca se preocupa exatamente com quanto é combinado, mas apenas se há uma combinação. Para início de conversa, permitir alguma coisa ao final nunca altera se há uma combinação total. Entretanto, se você precisar encontrar linhas que contenham apenas um preço e nada mais, é possível envolver a expressão com ^...$. Nesse caso, a parte da opção de centavos se torna importante, visto que ela poderia ou não ficar entre a quantia em dólar e o fim da linha, e permiti-la ou não faz a diferença em conseguir uma combinação total. Um tipo de valor que a nossa expressão não combina é ‘$.49’. Para resolver isso, você poderia ficar tentado a mudar o sinal de adição para uma estrela, mas isso não funcionaria. Quanto ao motivo, eu o deixarei como uma provocação, até vermos um exemplo semelhante no Capítulo 5 (☞ 177). Uma URL HTTP / HTML O formato de URLs da web pode ser complexo, assim, montar uma expressão regular para combinar com qualquer possível URL pode ser igualmente complexo. No entanto, diminuindo ligeiramente os seus padrões pode possibilitar que você combine a maioria dos URLs comuns com uma expressão bem simples. Por exemplo, um motivo comum pelo qual eu faria isso seria buscar meu arquivo de e-mail quanto a um URL que me lembro vagamente de ter recebido, mas que acredito poder reconhecer quando o vir. A forma geral de um URL HTTP /HTML é do tipo de http://hostname/path.html embora o final com .htm também seja comum. As regras sobre o que pode e o que não pode ser um hostname [endereço na web, tal como www.yahoo.com) são complexas, mas, para as nossas necessidades, podemos perceber que se ele seguir ‘http://’, provavelmente é um nome de hospedeiro, assim, podemos ficar com algo simples, tal como [-a-z0-9_.1]+. A parte de caminho pode ser ainda mais variada, assim, para isso usaremos [-a-z0-9_:@&?=+,.!/~*%$]*. Observe que essas classes têm o traço primeiro, para garantir que ele seja tomado como um caractere literal e incluído na lista, em oposto à porção de uma faixa (☞ 8). Juntando tudo isso, poderíamos usar como nossa primeira tentativa, algo assim: % egrep –i '\< http://[-a-z0-9_.:]+/[-a-z0-9_:@&?=+,.!/~*%$]*\.html?\>’ Ampliando a Base 23 De novo, visto que tomamos liberdades e relaxamos quanto ao que iremos combinar, podemos muito bem combinar algo tal como ‘http://. . . . /foo.html’, o que certamente não é um URL válido. Estamos preocupados com isso? Tudo depende do que você está tentando fazer. Para a varredura do meu arquivo de e-mail, de fato não importa se eu tiver algumas combinações falsas. Com os diabos, possivelmente eu poderia ficar com uma coisa tão simples quanto: ... % egrep –i '\ 'arquivos Como aprenderemos ao nos aprofundar mais em como moldar uma expressão, saber os dados que você buscará é uma questão importante para encontrar o equilíbrio entre complexidade e perfeição. Voltaremos a este exemplo, em mais detalhes, no próximo capítulo. Uma tag HTML Com uma ferramenta como egrep, não parece especialmente normal ou útil apenas combinar linhas com tags HTML. No entanto, explorar uma expressão regular que combina exatamente tags HTML pode ser proveitoso, em particular quando nos aprofundarmos em ferramentas mais avançadas, no próximo capítulo. Vendo situações simples, como ‘