Clases de carácter

Artículo
10/07/2008

Actualización: noviembre 2007

Una clase de caracteres representa un conjunto de caracteres que pueden coincidir con una cadena de entrada. Combine caracteres literales, caracteres de escape y clases de caracteres para formar un modelo de expresión regular.

Las clases de caracteres definen conjuntos de caracteres. Algunas clases de caracteres son equivalentes a uno o varios valores de categorías generales Unicode o bloques Unicode. Una categoría general Unicode define la clasificación general de un carácter; es decir, si el carácter es un tipo de letra, un dígito decimal, un separador, un símbolo matemático, un carácter de puntuación, etc. Por ejemplo, la categoría general Lu representa "Letra, mayúscula" y la categoría Sm representa "Símbolo, matemático". Para obtener más información, vea Categorías generales Unicode compatibles.

Un bloque Unicode es un intervalo con nombre de puntos de código Unicode. .NET Framework proporciona un conjunto de bloques con nombre derivado de los nombres de bloque Unicode. Por ejemplo, .NET Framework proporciona el bloque con nombre IsBasicLatin, que corresponde al bloque Unicode Basic Latin y contiene caracteres comprendidos entre U+0000 y U+007F. Para obtener más información, vea Bloques con nombre compatibles.

.NET Framework admite expresiones de sustracción de clases de caracteres, que le permiten definir un conjunto de caracteres como el resultado de excluir una clase de caracteres de otra clase de caracteres. Para obtener más información, vea Sustracción de clases de caracteres.

Sintaxis de clase de caracteres

En la siguiente tabla se resumen las distintas clases de caracteres y su sintaxis.

Clase de carácter	Descripción
[grupo_caracteres]	(Grupo de caracteres positivo.) Coincide con cualquier carácter del grupo de caracteres especificado. El grupo de caracteres está formado por uno o varios caracteres literales, caracteres de escape, intervalos de caracteres o clases de caracteres que se concatenan. Por ejemplo, para especificar todas las vocales, utilice [aeiou]. Para especificar todos los caracteres de puntuación y dígitos decimales, escriba [\p{P}\d] en el código.
[^grupo_caracteres]	(Grupo de caracteres negativo.) Coincide con cualquier carácter que no se encuentre en el grupo de caracteres especificado. El grupo de caracteres está formado por uno o varios caracteres literales, caracteres de escape, intervalos de caracteres o clases de caracteres que se concatenan. El carácter de intercalación inicial (^) es obligatorio e indica que el grupo de caracteres es un grupo de caracteres negativo en lugar de un grupo de caracteres positivo. Por ejemplo, para especificar todos los caracteres salvo las vocales, utilice [^aeiou]. Para especificar todos los caracteres salvo los caracteres de puntuación y los dígitos decimales, utilice [^\p{P}\d].
[primerCarácter-últimoCarácter]	(Intervalo de caracteres.) Coincide con cualquier carácter de un intervalo de caracteres. Un intervalo de caracteres es una serie contigua de caracteres que se define mediante la especificación del primer carácter de la serie, un guión (-) y, a continuación, el último carácter de la serie. Dos caracteres son contiguos si tienen puntos de código Unicode adyacentes. Es posible concatenar dos o más intervalos de caracteres. Por ejemplo, para especificar el intervalo de dígitos decimales de '0' a '9', el intervalo de letras minúsculas de 'a' a 'f' y el intervalo de letras mayúsculas de 'A' a 'F', utilice [0-9a-fA-F].
.	(El carácter de punto.) Coincide con cualquier carácter excepto \n. Si se modifica por medio de la opción Singleline, un carácter de punto coincide con cualquier carácter. Para obtener más información, vea Opciones de expresiones regulares. Tenga en cuenta que un carácter de punto incluido en grupo de caracteres positivo o negativo (un punto incluido entre corchetes) se considera como un carácter de punto literal, no como una clase de caracteres.
\p{nombre}	Coincide con cualquier carácter de la categoría general Unicode o bloque con nombre especificado por nombre (por ejemplo, Ll, Nd, Z, IsGreek e IsBoxDrawing).
\P{nombre}	Coincide con cualquier carácter que no pertenezca a la categoría general Unicode o bloque con nombre especificado en nombre.
\w	Coincide con cualquier carácter de una palabra. Equivale a las categorías generales Unicode [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Si se especifica un comportamiento conforme a ECMAScript mediante la opción ECMAScript, \w equivale a [a-zA-Z_0-9].
\W	Coincide con cualquier carácter que no pertenezca a una palabra. Equivale a las categorías generales Unicode [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Si se especifica un comportamiento compatible con ECMAScript mediante la opción ECMAScript, \W equivale a [^a-zA-Z_0-9].
\s	Coincide con cualquier carácter que sea un espacio en blanco. Equivale a las secuencias de escape y a las categorías generales Unicode [\f\n\r\t\v\x85\p{Z}]. Si se especifica un comportamiento compatible con ECMAScript mediante la opción ECMAScript, \s equivale a [ \f\n\r\t\v].
\S	Coincide con cualquier carácter que no sea un espacio en blanco. Equivale a las secuencias de escape y a las categorías generales Unicode [^\f\n\r\t\v\x85\p{Z}]. Si se especifica un comportamiento compatible con ECMAScript mediante la opción ECMAScript, \S equivale a [^ \f\n\r\t\v].
\d	Coincide con cualquier dígito decimal. Equivale a \p{Nd} para Unicode y a [0-9] para el comportamiento ECMAScript no Unicode.
\D	Coincide con cualquier carácter que no sea un dígito. Equivale a \P{Nd} para Unicode y a [^0-9] para el comportamiento ECMAScript no Unicode.

Categorías generales Unicode compatibles

Unicode define las categorías generales y descripciones que se muestran en la siguiente tabla. Para obtener más información, vea los subtemas sobre el formato de archivo UCD y los valores de las categorías generales en la base de datos de caracteres Unicode (en inglés).

Categoría	Descripción
Lu	Letra, mayúscula
Ll	Letra, minúscula
Lt	Letra, título
Lm	Letra, modificador
Lo	Letra, otra
Mn	Marca, sin espacios
Mc	Marca, espacio combinable
Me	Marca, cerrar
Nd	Número, dígito decimal
Nl	Número, letra
No	Número, otro
Pc	Puntuación, conector
Pd	Puntuación, guión
Ps	Puntuación, abrir
Pe	Puntuación, cerrar
Pi	Puntuación, comilla inicial (puede comportarse como Ps o Pe, en función del uso)
Pf	Puntuación, comilla final (puede comportarse como Ps o Pe, en función del uso)
Po	Puntuación, otro
Sm	Símbolo, matemático
Sc	Símbolo, moneda
Sk	Símbolo, modificador
So	Símbolo, otro
Zs	Separador, espacio
Zl	Separador, línea
Zp	Separador, párrafo
Cc	Otro, control
Cf	Otro, formato
Cs	Otro, suplente
Co	Otro, uso privado
Cn	Otro, no asignado (ningún carácter tiene esta propiedad)

.NET Framework proporciona categorías adicionales que representan un conjunto de categorías de caracteres Unicode, tal y como se muestra en la siguiente tabla.

Categoría	Representa
C	(Todos los caracteres de control) Cc, Cf, Cs, Co y Cn.
L	(Todas las letras) Lu, Ll, Lt, Lm y Lo.
M	(Todas las marcas diacríticas) Mn, Mc y Me.
N	(Todos los números) Nd, Nl y No.
P	(Todos los signos de puntuación) Pc, Pd, Ps, Pe, Pi, Pf y Po.
S	(Todos los símbolos) Sm, Sc, Sk y So.
Z	(Todos los separadores) Zs, Zl y Zp.

Bloques con nombre compatibles

.NET Framework proporciona los bloques con nombre que se muestra en la siguiente tabla. El conjunto de bloques con nombre compatibles está basado en Unicode 4.0 y Perl 5.6.

Intervalo de puntos de código	Nombre de bloque
0000 - 007F	IsBasicLatin
0080 - 00FF	IsLatin-1Supplement
0100 - 017F	IsLatinExtended-A
0180 - 024F	IsLatinExtended-B
0250 - 02AF	IsIPAExtensions
02B0 - 02FF	IsSpacingModifierLetters
0300 - 036F	IsCombiningDiacriticalMarks
0370 - 03FF	IsGreek O bien, IsGreekandCoptic
0400 - 04FF	IsCyrillic
0500 - 052F	IsCyrillicSupplement
0530 - 058F	IsArmenian
0590 - 05FF	IsHebrew
0600 - 06FF	IsArabic
0700 - 074F	IsSyriac
0780 - 07BF	IsThaana
0900 - 097F	IsDevanagari
0980 - 09FF	IsBengali
0A00 - 0A7F	IsGurmukhi
0A80 - 0AFF	IsGujarati
0B00 - 0B7F	IsOriya
0B80 - 0BFF	IsTamil
0C00 - 0C7F	IsTelugu
0C80 - 0CFF	IsKannada
0D00 - 0D7F	IsMalayalam
0D80 - 0DFF	IsSinhala
0E00 - 0E7F	IsThai
0E80 - 0EFF	IsLao
0F00 - 0FFF	IsTibetan
1000 - 109F	IsMyanmar
10A0 - 10FF	IsGeorgian
1100 - 11FF	IsHangulJamo
1200 - 137F	IsEthiopic
13A0 - 13FF	IsCherokee
1400 - 167F	IsUnifiedCanadianAboriginalSyllabics
1680 - 169F	IsOgham
16A0 - 16FF	IsRunic
1700 - 171F	IsTagalog
1720 - 173F	IsHanunoo
1740 - 175F	IsBuhid
1760 - 177F	IsTagbanwa
1780 - 17FF	IsKhmer
1800 - 18AF	IsMongolian
1900 - 194F	IsLimbu
1950 - 197F	IsTaiLe
19E0 - 19FF	IsKhmerSymbols
1D00 - 1D7F	IsPhoneticExtensions
1E00 - 1EFF	IsLatinExtendedAdditional
1F00 - 1FFF	IsGreekExtended
2000 - 206F	IsGeneralPunctuation
2070 - 209F	IsSuperscriptsandSubscripts
20A0 - 20CF	IsCurrencySymbols
20D0 - 20FF	IsCombiningDiacriticalMarksforSymbols O bien, IsCombiningMarksforSymbols
2100 - 214F	IsLetterlikeSymbols
2150 - 218F	IsNumberForms
2190 - 21FF	IsArrows
2200 - 22FF	IsMathematicalOperators
2300 - 23FF	IsMiscellaneousTechnical
2400 - 243F	IsControlPictures
2440 - 245F	IsOpticalCharacterRecognition
2460 - 24FF	IsEnclosedAlphanumerics
2500 - 257F	IsBoxDrawing
2580 - 259F	IsBlockElements
25A0 - 25FF	IsGeometricShapes
2600 - 26FF	IsMiscellaneousSymbols
2700 - 27BF	IsDingbats
27C0 - 27EF	IsMiscellaneousMathematicalSymbols-A
27F0 - 27FF	IsSupplementalArrows-A
2800 - 28FF	IsBraillePatterns
2900 - 297F	IsSupplementalArrows-B
2980 - 29FF	IsMiscellaneousMathematicalSymbols-B
2A00 - 2AFF	IsSupplementalMathematicalOperators
2B00 - 2BFF	IsMiscellaneousSymbolsandArrows
2E80 - 2EFF	IsCJKRadicalsSupplement
2F00 - 2FDF	IsKangxiRadicals
2FF0 - 2FFF	IsIdeographicDescriptionCharacters
3000 - 303F	IsCJKSymbolsandPunctuation
3040 - 309F	IsHiragana
30A0 - 30FF	IsKatakana
3100 - 312F	IsBopomofo
3130 - 318F	IsHangulCompatibilityJamo
3190 - 319F	IsKanbun
31A0 - 31BF	IsBopomofoExtended
31F0 - 31FF	IsKatakanaPhoneticExtensions
3200 - 32FF	IsEnclosedCJKLettersandMonths
3300 - 33FF	IsCJKCompatibility
3400 - 4DBF	IsCJKUnifiedIdeographsExtensionA
4DC0 - 4DFF	IsYijingHexagramSymbols
4E00 - 9FFF	IsCJKUnifiedIdeographs
A000 - A48F	IsYiSyllables
A490 - A4CF	IsYiRadicals
AC00 - D7AF	IsHangulSyllables
D800 - DB7F	IsHighSurrogates
DB80 - DBFF	IsHighPrivateUseSurrogates
DC00 - DFFF	IsLowSurrogates
E000 - F8FF	IsPrivateUse
F900 - FAFF	IsPrivateUseArea
FB00 - FB4F	IsCJKCompatibilityIdeographs
FB50 - FDFF	IsAlphabeticPresentationForms
FE00 - FE0F	IsArabicPresentationForms-A
FE20 - FE2F	IsVariationSelectors
FE30 - FE4F	IsCombiningHalfMarks
FE50 - FE6F	IsCJKCompatibilityForms
FE70 - FEFF	IsSmallFormVariants
FF00 - FFEF	IsArabicPresentationForms-B
FFF0 - FFFF	IsHalfwidthandFullwidthForms

Sustracción de clases de caracteres

Una clase de caracteres define un conjunto de caracteres. La sustracción de clases de caracteres genera un conjunto de caracteres que es el resultado de excluir los caracteres de una clase de caracteres de otra clase de caracteres.

Una expresión de sustracción de clases de caracteres tiene el siguiente formato:

[grupo_base-[grupo_excluido]]

Los corchetes ([]) y el guión (-) son obligatorios. El grupo_base es un grupo de caracteres positivo o negativo, tal y como se describe en la tabla Sintaxis de clase de caracteres. El componente grupo_excluido es otro grupo de caracteres positivo o negativo, u otra expresión de sustracción de clases de caracteres (es decir, pueden anidarse expresiones de sustracción de clases de caracteres).

Por ejemplo, supongamos que tiene un grupo base formado por el intervalo de caracteres de 'a' a 'z.' Para definir el conjunto de caracteres que componen el grupo base, salvo el carácter 'm', utilice [a-z-[m]]. Para definir el conjunto de caracteres que componen el grupo base, salvo el conjunto de caracteres 'd', 'j' y 'p', utilice [a-z-[djp]]. Para definir el conjunto de caracteres que componen el grupo base, salvo el intervalo de caracteres de 'm' a 'p', utilice [a-z-[m-p]].

Considere la expresión de sustracción de clases de caracteres anidada [a-z-[d-w-[m-o]]]. La expresión se evalúa desde el intervalo de caracteres más profundo hacia el exterior. Primero, el intervalo de caracteres de 'm' a 'o' se resta del intervalo de caracteres de 'd' a 'w', lo que da como resultado el conjunto de caracteres de 'd' a 'l' y de 'p' a 'w.' A continuación, ese conjunto se resta del intervalo de caracteres de 'a' a 'z', lo que da lugar al conjunto de caracteres [abcmnoxyz].

Puede utilizar cualquier clase de caracteres con sustracción de clases de caracteres. Para definir el conjunto de caracteres formado por todos los caracteres Unicode de \u0000 a \uFFFF, a excepción de los caracteres de espacio en blanco (\s), los caracteres de la categoría general de puntuación (\p{P}), los caracteres del bloque con nombre IsGreek (\p{IsGreek}) y el carácter de control Unicode NEXT LINE (\x85), utilice [\u0000-\uFFFF-[\s\p{P}\p{IsGreek}\x85]].

Elija las clases de caracteres para que una expresión de sustracción de clases de caracteres produzca resultados satisfactorios. Evite el uso de expresiones que produzcan un conjunto vacío de caracteres, que no coincidan con nada, o expresiones equivalentes al grupo base original. Por ejemplo, el conjunto vacío es el resultado de la expresión [\p{IsBasicLatin}-[\x00-\x7F]], que resta todos los caracteres de la categoría general IsBasicLatin. Ocurre lo mismo con el grupo base original, que es el resultado de la expresión [a-z-[0-9]]. Esto se debe a que el grupo base, que está formado por el intervalo de caracteres comprendido entre las letras de la 'a' a la 'z', no contiene ningún carácter del grupo excluido, que es el intervalo de caracteres formado por los dígitos decimales del '0' al '9.'

Observe que Expresiones regulares de esquema XML ofrece una compatibilidad similar para la sustracción de clases de caracteres.