Classi di caratteri

Articolo
09/12/2008

Aggiornamento: novembre 2007

Una classe di caratteri rappresenta un set di caratteri che possono corrispondere a una stringa di input. Combinare caratteri letterali, caratteri di escape e classi di caratteri per formare un criterio di espressioni regolari.

Le classi di caratteri definiscono set di caratteri. Alcune classi di caratteri equivalgono a uno o più valori di categorie generali Unicode o a blocchi Unicode. Una categoria generale Unicode definisce la classificazione generica di un carattere, ovvero se il carattere è un tipo di lettera, una cifra decimale, un separatore, un simbolo matematico, un carattere di punteggiatura e così via. La categoria generale Lu ad esempio rappresenta "Letter, Uppercase" e la categoria Sm rappresenta "Symbol, Math". Per ulteriori informazioni, vedere Categorie generali Unicode supportate.

Un blocco Unicode è un intervallo denominato di punti di codice Unicode. .NET Framework fornisce un set di blocchi denominati che deriva dai nomi di blocchi Unicode. In .NET Framework è disponibile ad esempio il blocco denominato IsBasicLatin che corrisponde al blocco Unicode Basic Latin e che contiene caratteri compresi tra U+0000 e U+007F. Per ulteriori informazioni, vedere Blocchi denominati supportati.

.NET Framework supporta espressioni di sottrazione di classi di caratteri che consentono di definire un set di caratteri come risultato dell'esclusione di una classe di caratteri da un'altra classe di caratteri. Per ulteriori informazioni, vedere Sottrazione di classi di caratteri.

Sintassi delle classi di caratteri

Nella tabella riportata di seguito vengono riassunte le classi di caratteri e la relativa sintassi.

Classe di caratteri	Descrizione
[gruppo_caratteri]	Gruppo di caratteri positivi. Corrisponde a qualsiasi carattere compreso nel gruppo di caratteri specificato. Il gruppo di caratteri è costituito da uno o più caratteri letterali, caratteri di escape, intervalli di caratteri o classi di caratteri concatenate. Per specificare ad esempio tutte le vocali, utilizzare [aeiou]. Per specificare tutta la punteggiatura e le cifre decimali, utilizzare il codice [\p{P}\d].
[^gruppo_caratteri]	Gruppo di caratteri negativi. Corrisponde a qualsiasi carattere non compreso nel gruppo di caratteri specificato. Il gruppo di caratteri è costituito da uno o più caratteri letterali, caratteri di escape, intervalli di caratteri o classi di caratteri concatenate. L'accento circonflesso iniziale (^) è obbligatorio e indica che il gruppo di caratteri è un gruppo di caratteri negativi anziché un gruppo di caratteri positivi. Per specificare ad esempio tutti i caratteri eccetto le vocali, utilizzare [^aeiou]. Per specificare tutti i caratteri eccetto la punteggiatura e le cifre decimali, utilizzare [^\p{P}\d].
[primoCarattere-ultimoCarattere]	Intervallo di caratteri. Corrisponde a un carattere di un intervallo di caratteri. Un intervallo di caratteri è una serie contigua di caratteri definita specificando il primo carattere della serie, un trattino (-) e quindi l'ultimo carattere della serie. Due caratteri sono contigui se hanno punti di codice Unicode adiacenti. Due o più intervalli di caratteri possono essere concatenati. Per specificare ad esempio l'intervallo di cifre decimali comprese tra '0' e '9', l'intervallo di lettere minuscole comprese tra 'a' e 'f' e l'intervallo di lettere maiuscole comprese tra 'A' e 'F', utilizzare [0-9a-fA-F].
.	Carattere punto. Corrisponde a qualsiasi carattere ad eccezione di \n. Se viene modificato con l'opzione Singleline, un carattere punto corrisponde a qualsiasi carattere. Per ulteriori informazioni vedere Opzioni di espressioni regolari. Un carattere punto in un gruppo di caratteri positivi o negativi (un punto racchiuso tra parentesi quadre) viene interpretato come carattere punto letterale e non come classe di caratteri.
\p{nome}	Corrisponde a un carattere di un blocco denominato o della categoria generale Unicode specificato da nome, ad esempio Ll, Nd, Z, IsGreek e IsBoxDrawing.
\P{nome}	Corrisponde a un carattere non incluso nel blocco denominato o nella categoria generale Unicode specificato in nome.
\w	Corrisponde a qualsiasi carattere alfabetico. Equivale alle categorie di caratteri Unicode [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Se viene specificato il comportamento compatibile con ECMAScript tramite l'opzione ECMAScript, \w equivale a [a-zA-Z_0-9].
\W	Corrisponde a qualsiasi carattere non alfabetico. Equivale alle categorie di caratteri Unicode [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Se viene specificato il comportamento compatibile con ECMAScript tramite l'opzione ECMAScript, \W equivale a [^a-zA-Z_0-9].
\s	Corrisponde a qualsiasi carattere di spazio. Equivale alle sequenze di escape e alle categorie generali Unicode [\f\n\r\t\v\x85\p{Z}]. Se viene specificato il comportamento compatibile con ECMAScript tramite l'opzione ECMAScript, \s equivale a [ \f\n\r\t\v].
\S	Corrisponde a qualsiasi carattere diverso da uno spazio. Equivale alle sequenze di escape e alle categorie generali Unicode [^\f\n\r\t\v\x85\p{Z}]. Se viene specificato il comportamento compatibile con ECMAScript tramite l'opzione ECMAScript, \S equivale a [^ \f\n\r\t\v].
\d	Corrisponde a qualsiasi cifra decimale. Equivale a \p{Nd} per Unicode e a [0-9] per il comportamento ECMAScript non Unicode.
\D	Corrisponde a qualsiasi carattere non numerico. Equivale a \P{Nd} per Unicode e a [^0-9] per il comportamento ECMAScript non Unicode.

Categorie generali Unicode supportate

In Unicode sono definite le categorie generali e le descrizioni elencate nella tabella riportata di seguito. Per ulteriori informazioni, vedere le sezioni relative al formato di file UCD e ai valori delle categorie generali in Database dei caratteri Unicode (informazioni in lingua inglese).

Categoria	Nome completo
Lu	Letter, Uppercase
Ll	Letter, Lowercase
Lt	Letter, Titlecase
Lm	Letter, Modifier
Lo	Letter, Other
Mn	Mark, Nonspacing
Mc	Mark, Spacing Combining
Me	Mark, Enclosing
Nd	Number, Decimal Digit
Nl	Number, Letter
No	Number, Other
Pc	Punctuation, Connector
Pd	Punctuation, Dash
Ps	Punctuation, Open
Pe	Punctuation, Close
Pi	Punctuation, Initial quote (può comportarsi come Ps o Pe a seconda dell'utilizzo)
Pf	Punctuation, Final quote (può comportarsi come Ps o Pe a seconda dell'utilizzo)
Po	Punctuation, Other
Sm	Symbol, Math
Sc	Symbol, Currency
Sk	Symbol, Modifier
So	Symbol, Other
Zs	Separator, Space
Zl	Separator, Line
Zp	Separator, Paragraph
Cc	Other, Control
Cf	Other, Format
Cs	Other, Surrogate
Co	Other, Private Use
Cn	Other, Not Assigned (nessun carattere ha questa proprietà)

.NET Framework fornisce categorie aggiuntive che rappresentano un set di categorie di caratteri Unicode, come mostrato nella tabella riportata di seguito.

Categoria	Descrizione
C	(Tutti i caratteri di controllo) Cc, Cf, Cs, Co e Cn.
L	(Tutte le lettere) Lu, Ll, Lt, Lm e Lo.
M	(Tutti i contrassegni diacritici) Mn, Mc e Me.
N	(Tutti i numeri) Nd, Nl e No.
P	(Tutta la punteggiatura) Pc, Pd, Ps, Pe, Pi, Pf e Po.
S	(Tutti i simboli) Sm, Sc, Sk e So.
Z	(Tutti i separatori) Zs, Zl e Zp.

Blocchi denominati supportati

.NET Framework fornisce i blocchi denominati elencati nella tabella riportata di seguito. Il set di blocchi denominati supportati è basato su Unicode 4.0 e Perl 5.6.

Intervallo di punti di codice	Nome del blocco
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 -oppure- 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 -oppure- 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

Sottrazione di classi di caratteri

Una classe di caratteri definisce un set di caratteri. La sottrazione di classi di caratteri produce un set di caratteri che è il risultato dell'esclusione dei caratteri di una classe di caratteri da un'altra classe di caratteri.

Un'espressione di sottrazione di classi di caratteri ha il formato seguente:

[gruppo_base-[gruppo_escluso]]

Le parentesi quadre ([]) e il trattino (-) sono obbligatori. Il gruppo_base è un gruppo di caratteri positivi o negativi descritto nella tabella Sintassi delle classi di caratteri. Il componente gruppo_escluso è un altro gruppo di caratteri positivi o negativi o un'altra espressione di sottrazione di classi di caratteri, ovvero è possibile nidificare espressioni di sottrazione di classi di caratteri.

Si supponga ad esempio di disporre di un gruppo di base costituito dall'intervallo di caratteri compresi tra 'a' e 'z'. Per definire il set di caratteri che è costituito dal gruppo di base eccetto il carattere 'm', utilizzare [a-z-[m]]. Per definire il set di caratteri che è costituito dal gruppo di base eccetto il set di caratteri 'd', 'j' e 'p', utilizzare [a-z-[djp]]. Per definire il set di caratteri che è costituito dal gruppo di base eccetto l'intervallo di caratteri compresi tra 'm' e 'p', utilizzare [a-z-[m-p]].

Si consideri l'espressione di sottrazione di classi di caratteri nidificata [a-z-[d-w-[m-o]]]. L'espressione viene valutata partendo dall'intervallo di caratteri più interno verso quello più esterno. Innanzitutto, l'intervallo di caratteri compresi tra 'm' e 'o' viene sottratto dall'intervallo di caratteri compresi tra 'd' e 'w', producendo il set di caratteri compresi tra 'd' e 'l' e tra 'p' e 'w'. Questo set viene quindi sottratto dall'intervallo di caratteri compresi tra 'a' e 'z', producendo il set di caratteri [abcmnoxyz].

È possibile utilizzare qualsiasi classe di caratteri con sottrazione di classi di caratteri. Per definire il set di caratteri che è costituito da tutti i caratteri Unicode compresi tra \u0000 e \uFFFF eccetto i caratteri di spazio (\s), i caratteri nella categoria generale punteggiatura (\p{P}), i caratteri nel blocco denominato IsGreek (\p{IsGreek}) e il carattere di controllo NEXT LINE Unicode (\x85), utilizzare [\u0000-\uFFFF-[\s\p{P}\p{IsGreek}\x85]].

Scegliere le classi di caratteri per un'espressione di sottrazione di classi di caratteri che produrrà risultati utili. Evitare espressioni che producono set di caratteri vuoti, che non hanno corrispondenze o che equivalgono al gruppo di base originale. Il set vuoto ad esempio è il risultato dell'espressione [\p{IsBasicLatin}-[\x00-\x7F]], che sottrae tutti i caratteri dalla categoria generale IsBasicLatin. Analogamente, il gruppo di base originale è il risultato dell'espressione [a-z-[0-9]]. Questo è dovuto al fatto che il gruppo di base, ovvero l'intervallo di caratteri compresi tra 'a' e 'z', non contiene alcun carattere del gruppo escluso, che è l'intervallo di caratteri di cifre decimali comprese tra '0' e '9'.

Si noti che per le espressioni regolari di uno schema XML è previsto un supporto simile per la sottrazione di classi di caratteri.