Express�es Regulares

Abstrato:: express�es regulares que s�o usadas para contexto avan�ado em procuras sens�veis e modifica��es de texto. Eles podem ser achados em muitos editores avan�ados, e em programas de editora��o eletronica e em idiomas.

Introdu��o

As Express�es Regulares podem ser encontradas em muitos editores como vi, emacs, e em programas como grep, egrep e em linguagens de programa��o como awk, perl e sed.

As Express�es Regulares s�o usadas para buscas avan�adas dependendo do contexto. Por isso podemos dizer que as Express�es Regulares n�o s�o apenas um localizador de cadeias de texto, sim que s�o a descri��o formal de um protetor do texto.

Quando v� pela primeira vez como poder�amos editar textos com a ajuda das Express�es Regulares, fiquei fascinado. Modifica��es em um texto, para os que os tivesse utilizado durante horas, ficavam prontas em poucos segundos. O que com certeza se veria no monitor, parecia um conjunto de pontos, h�fens e outros s�mbolos. Com certeza alguma coisa estava claro: Queria aprender a linguagem das Express�es Regulares e o que me deixou impressionado, era a facilidade para entender. Segue abaixo, algumas regras de sintaxe muito simples.

Apesar de que as Express�es Regulares estejem muito extendidas no mundo Unix, n�o existe uma linguagem standard de Express�es Regulares. Mas se bem que poderemos falar de diferentes dialetos. Existem por exemplo dois representantes do conhecido programa grep, egrep e grep. Ambos usam as Express�es Regulares com capacidades ligeiramente diferentes. Perl pode ser qualificada como a linguagem com a sintaxe de Express�es Regulares mais desenvolvida. Com sorte todos estes dialetos seguem os mesmos princ�pios e no momento em que os entendemos, o resto ser� f�cil.

Neste artigo me dedicarei exclusivamente aos pr�ncipios b�sicos, os detalhes que poderemos consultar nas p�ginas dos manuais (man-pages).

Um pequeno exemplo

Suponhamos que tenhamos a seguinte lista de telefones de uma empresa:

Fone Nome ID
     ...
     ...
3412    Bob 123
3834  Jonny 333
1248   Kate 634
1423   Tony 567
2567  Peter 435
3567  Alice 535
1548  Kerry 534
     ...

Estamos tratando com uma empresa com 500 pessoas e os dados est�o armazenados em um arquivo ASCII normal. Os registros de pessoas cujo telefone comece com 1, trabalham no edif�cio 1. Quem trabalha no Edif�cio 1?

Uma Express�o Regular poder� responder a esta quest�o:

grep '^1' phonelist.txt

ou

egrep '^1' phonelist.txt

ou

perl -ne 'print if (/^1/)' phonelist.txt

Em palavras normais isto significa: Procura todas as linhas que comecem com um 1. O s�mbolo "^" � o encarregado de indicar que s�mente encontrem os n�meros 1 que se encontrem no pr�ncipio da linha.

Regras de sintaxe

Padr�o s� com um s�mbolo

O elemento b�sico de uma express�o regular � o padr�o de s� um s�mbolo. Este padr�o s�mente � efetivado quando este s�mbolo puder ser encontrado exatamente como o texto. Um exemplo do que podemos encontrar com o n�mero 1 do exemplo acima.

Outro exemplo para o padr�o de s� um s�mbolo

�:

egrep 'Kerry' phonelist.txt

Este padr�o se comp�e de padr�es de s� um s�mbolo (a letra K, e, etc.)

V�rios signos podem ser agrupados em um conjunto. Um conjunto � representado com um par de colchetes (o de abrir e o de fechar) e uma lista de caracteres entre eles. Um conjunto tamb�m � considerado como um padr�o de s� um s�mbolo. A busca deste conjunto se efetivar� quando encontramos um e s� um dos signos do conjunto do texto. Um exemplo:

[abc]           Um padr�o de um s� s�mbolo com o 
                qual poderemos encontrar o s�mbolo a, b ou c.

[ab0-9]         Um padr�o de s� um s�mbolo no qual 
                se procura um a ou um b ou um n�mero
                que se encontre entre o 0 e o 9 no c�digo ASCII.
[a-zA-Z0-9\-]   Este procura uma letra mai�scula ou min�scula
                ou um n�mero ou o signo -.

Numa lista de telefone:
egrep '^1[348]' phonelist.txt

Esta express�o procura linhas que comecem com 13, 14 ou 18.

A maioria dos s�mbolos ASCII nos leva a uma busca hesitante quando se procura no texto, mas tamb�m encontramos s�mbolos em uma express�o regular que tem um significado especial. Os colchetes at� a direita indicam o come�o da defini��o de um conjunto. O s�mbolo "-" em um conjunto � um s�mbolo especial e representa uma categoria especial no sistema de s�mbolos ASCII. Para indicar que nos referimos ao significado normal do s�mbolo, se coloca uma barra invertida antes "\". Por exemplo, na express�o [a-zA-Z0-9\-]. Em alguns dialetos encontramos que a barra invertida junto a outro s�mbolo tem um significado especial. Neste caso se obtem o significado normal retirando a barra invertida.

O ponto tamb�m � um s�mbolo importante em uma express�o regular. A busca ser� efetiva quando o s�mbolo comparado seja qualquer s�mbolo menos o s�mbolo de nova linha do c�digo ASCII. Exemplo:

grep '^.2' phonelist.txt

Esta express�o procura linhas que contenham o n�mero 2 na segunda posi��o e qualquer outro s�mbolo antes.

Os pontos podem ser invertidos mediante a coloca��o de "[^" en lugar de "[" na express�o. Neste caso o s�mbolo "^" n�o representa o come�o da linha, sim que "[" e "^" juntos representam o inverso do conjunto.

[0-9]    Um padr�o de s� um s�mbolo, a procura 
         ser� efetivada se o s�mbolo no texto � um n�mero.

[^0-9]   Tudo o que seja um n�mero.

[^abc]   Tudo o que seja um a, b ou c.

.        Tudo menos o s�mbolo de linha nova. � identico a 
         [^\n]. \n � o s�mbolo para uma nova linha.


Para procurar todas as l�nhas que N�O comecem com um 1, escrever�amos:

egrep '^[^1]' phonelist.txt

�ncoras (anchors)

Antes vimos que "^" representava o in�cio de uma linha. As �ncoras s�o s�mbolos especiais nas express�es regulares que n�o demonstram um s�mbolo e sim uma posi��o.el inicio de una

^   Inicio de uma linha
$   Final de uma linha

Para encontrar pessoas em nossa lista com um indicativo company-ID) de 567, utilizaremos a express�o:

egrep '567$' phonelist.txt

Significa: Procure linhas que finalizem com 567.

Multiplicadores

Os multiplicadores nos indicam, quantas vezes tem de aparecer um padr�o de s� um s�mbolo no texto:

Descri��o	grep	egrep	perl	vi	vim	vile	elvis	emacs
zero ou mais vezes	*	*	*	*	*	*	*	*
uma ou mais vez	\{1,\}	+	+		\+	\+	\+	+
zero o uma vez	\?	?	?		\=	\?	\=	?
de n at� m vezes	\{n,m\}		{n,m}				\{n,m\}	\{n,m\}

Nota: Para os distintos VI teria que utilizar a op��o magic.

Um exemplo da lista de telefones:

....
1248   Kate 634
....
1548  Kerry 534
....

Para encontrar uma p�gina que se componha de um 1, v�rios n�meros, v�rios espa�os e a letra K, escrever�amos:

grep '^1[0-9]\{1,\} \{1,\}K' phonelist.txt
ou utilizar�amos * e repetimos [0-9] e o espa�o:
grep '^1[0-9][0-9]*  *K' phonelist.txt
ou
egrep '^1[0-9]+ +K' phonelist.txt
ou
perl -ne 'print if (/^1[0-9]+ +K/)' phonelist.txt

Os multiplicadores nos indicam, quantas vezes tem que aparecer o padr�o de s� um s�mbolo que os precede. "23*4" N�O significa "2, 3, talv�z alguma coisa e depois um 4" (isto seria "23.*4"), sen�o que significa, que se est� buscando "un 2, talv�z alguns 3 e um 4".

� importante saber que um multiplicador � �vido. Isto significa que o primeiro multiplicador se extender� ao m�ximo que possa at� a direita.

Isto n�o � muito importante no grep, mas, � importante no momento de editar textos.

A express�o ^1.*4 
se extenderia por toda linha 
1548 Kerry 534
do in�cio at� o fim.

A express�o n�o se extende s�mente at� a zona curta, o seja, 154, sen�o at� o m�ximo que possa.

Parenteses como memoria

Os parentesis como mem�ria n�o influem no tipo ou s�mbolos que se busca. Servem para que os fragmentos do texto se armazenem e possamos encontr�-los atrav�s de vari�veis.

O primeiro parentese ser� referenciado como vari�vel 1, o segundo como vari�vel 2, etc.

Nome do programa	Sintaxe do parentese	Sintaxe das vari�veis
grep	\(\)	\1
egrep	()	\1
perl	()	\1 or ${1}
vi,vim,vile,elvis	\(\)	\1
emacs	\(\)	\1

Um exemplo:

A express�o [a-z] [a-z]

procura duas letras min�sculas.

Agora podemos utilizar estas vari�veis, para procurar padr�es de texto como ?otto?:

egrep '([a-z])([a-z])\2\1'

Os parenteses n�o s�o utilizados normalmente para procura de nomes como otto e anna, sen�o para editar ou para procurar e substituir.

Uso das Express�es Regulares para o tratamento de Textos

Para editar textos � necess�rio um editor de textos como vi ou emacs ou perl. Todos estes programas suportam express�es regulares.

No emacs utilizamos M-x query-replace-regexp ou replace-regexp. M-x query-replace-regexp pede confirma��o em cada procura e substitui��o. O mais recomend�vel � atribuir uma tecla de fun��o ao query-replace ou replace-regexp.

No vi utilizamos :%s/ / /gc. O s�mbolo % representa a Ex-regi�o ?todo o arquivo? no que podemos recome�ar por qualquer outra Ex-region. No editor vim, por exemplo, podemos marcar uma regi�o com mai�scula-v e o cursor acima/abaixo. Desgra�adamente o artigo sairia de seus prop�sitos sem que n�o d�ssemos uma pequena introdu��o sobre vim. ///gc � interativo e pede por uma confirma��o. s///g n�o � interativo. No perl utilizamos:

perl -pe 's/ / /g'

Agora alguns exemplos. Na empresa temos que modificar alguns telefones. Todos os telefones que come�am com um 1, tem que ter um 2 depois do segundo n�mero. De 1423 passaremos para 14223.

Fone Nome  ID
    ...
3412    Bob 123
3834  Jonny 333
1248   Kate 634
1423   Tony 567
2567  Peter 435
3567  Alice 535
1548  Kerry 534
     ...

e isto � assim de f�cil:

vi:    s/^\(1.\)/\12/g
emacs: ^\(1.\)   sustituir por  \12
perl:  perl -pe 's/^(1.)/${1}2/g' phonelist.txt

A lista de telefones aparecer� assim:

Fone Nome  ID
   ...
3412    Bob 123
3834  Jonny 333
12248   Kate 634
14223   Tony 567
2567  Peter 435
3567  Alice 535
15248  Kerry 534
     ...

Perl n�o s�mente conhece as vari�veis \1 \9. \12 apontaria para a vari�vel 12. Para solucionar o problema utilizamos simplesmente ${1}.

Mas agora n�o encontramos as colunas bem alinhadas. Como poder�amos solucionar isto? Poder�amos comprovar se h� um espa�o na quinta posi��o e inserir outro.

vi:     s/^\(....\) /\1  /g
emacs:  '^\(....\) '  sustituir por   '\1  '
perl:   perl -pe 's/^(....) /${1}  /g' phonelist.txt

Agora temos:

Fone Nome  ID
    ...
3412     Bob 123
3834   Jonny 333
12248   Kate 634
14223   Tony 567
2567   Peter 435
3567   Alice 535
15248  Karry 534
    ...

Um colega editou a phonelist.txt e n�o teve o devido cuidado. No princ�pio de alguma linha encontramos espa�os. Como poderemos solucionar?

Fone Nome  ID
    ...
3412     Bob 123
     3834   Jonny 333
12248   Kate 634
14223   Tony 567
 2567   Peter 435
3567   Alice 535
  15248  Kerry 534
     

    ...

Isto ter� que solucionar o problema:

vi:     s/^  *//  (existem dois espa�os, j� que n�o temos o +)

emacs:  '^ +'  substituir pela cadeia vazia

perl:   perl -pe 's/^ +//' phonelist.txt

Estás escrevendo um programa e utiliza as vari�veis temp y temporary. Agora queres substituir a variavel temp pela vari�vel counter. Se utilizasse a op��o de procurar e substituir,verias que a vari�vel temporary seria substituida por counterorary. Isto queres evitar.

Com as express�es regularesfaremos bem f�cil. Se substituirmos temp([^o]) com counter\1. Com isto, substituiremos temp e n�o "o". (Outra alternativa seriam as Boundaries, que n�o foi comentada aqui.)

Espero que este artigo tenha despertado sua curiosidade. Se desejas continuar, sugiro consultar as man-pages de teu editor preferido.

Existem mais s�mbolos especiais nas express�es regulares, como por exemplo, Alterations, Art Order, e naturalmente as Boundaries.

Que disfrutes ent�o