Expressões regulares (C++)

Este tópico aborda as gramáticas dos diversos mecanismos de expressão regular.

Neste Tópico

• Gramática da expressão regular

• Resumo de gramática

• Detalhes da semântica

• Correspondência e pesquisa

• Sinalizadores de formato

Gramática da expressão regular

Elemento

Um elemento pode ser um dos seguintes itens:

• Um caractere comum que corresponde ao mesmo caractere na sequência de destino.

• Um caractere curinga '.' que corresponde a qualquer caractere na sequência de destino, exceto a uma nova linha.

• Uma expressão entre colchetes da forma "[expr]", que corresponde a um caractere ou a um elemento de agrupamento na sequência de destino que também está no conjunto definido pela expressão expr, ou da forma "[^expr]", que corresponde a um caractere ou a um elemento de agrupamento na sequência de destino que não está no conjunto definido pela expressão expr.

  A expressão expr pode conter qualquer combinação dos seguintes itens:

  • Um caractere individual. Adiciona esse caractere ao conjunto definido por expr.

  • Um intervalo de caracteres da forma "ch1-ch2". Adiciona os caracteres que são representados pelos valores no intervalo fechado [ch1, ch2] ao conjunto definido por expr.

  • Uma classe de caracteres da forma "[:name:]". Adiciona os caracteres na classe nomeada ao conjunto definido por expr.

  • Uma classe de equivalência da forma "[=elt=]". Adiciona os elementos de agrupamento que são equivalentes a elt ao conjunto definido por expr.

  • Um símbolo de agrupamento da forma "[.elt.]". Adiciona o elemento de agrupamento elt ao conjunto definido por expr.

• Uma âncora. A âncora '^' corresponde ao início da sequência de destino; a âncora '$' corresponde ao fim da sequência de destino.

Um grupo de captura da forma "( subexpressão )", ou "\( subexpressão \)" em BRE e grep, que corresponde à sequência de caracteres na sequência de destino que é correspondida pelo padrão entre os delimitadores.

• Um escape de identidade da forma "\k", que corresponde ao caractere k na sequência de destino.

Exemplos:

• "a" corresponde à sequência de destino "a", mas não corresponde às sequências de destino "B", "b" ou "c".

• "." corresponde a todas as sequências de destino "a", "B", "b" e "c".

• "[b-z]" corresponde às sequências de destino "b" e "c", mas não corresponde às sequências de destino "a" ou "B".

• "[:lower:]" corresponde às sequências de destino "a", "b" e "c", mas não corresponde à sequência de destino "B".

• "(a)" corresponde à sequência de destino "a" e associa o grupo de captura 1 à subsequência "a", mas não corresponde às sequências de destino "B", "b" ou "c".

Em ECMAScript, BRE e grep, um elemento também pode ser uma referência inversa da forma "\dd", em que dd representa um valor decimal N que corresponde a uma sequência de caracteres na sequência de destino que é igual à sequência de caracteres que é correspondida pelo enésimo grupo de captura. Por exemplo, "(a)\1" corresponde à sequência de destino "aa" porque o primeiro (e único) grupo de captura corresponde à sequência inicial "a" e \1 corresponde à sequência final "a".

Em ECMAScript, um elemento também pode ser um dos seguintes itens:

• Um grupo de não captura da forma "(?: subexpressão )". Corresponde à sequência de caracteres na sequência de destino que é correspondida pelo padrão entre os delimitadores.

• Um escape de formato de arquivo limitado da forma "\f", "\n", "\r", "\t" ou "\v". Isso corresponde a um avanço de página, uma nova linha, um retorno de carro, uma guia horizontal e uma guia vertical, respectivamente, na sequência de destino.

• Uma declaração positiva da forma "(? = subexpressão )". Corresponde à sequência de caracteres na sequência de destino que é correspondida pelo padrão entre os delimitadores, mas não altera a posição de correspondência na sequência de destino.

• Uma declaração negativa da forma "(?! subexpressão )". Corresponde a qualquer sequência de caracteres na sequência de destino que não corresponde ao padrão entre os delimitadores e não altera a posição de correspondência na sequência de destino.

• Uma sequência de escape hexadecimal da forma "\xhh". Corresponde a um caractere na sequência de destino que é representado pelos dois dígitos hexadecimais hh.

• Uma sequência de escape unicode da forma "\uhhhh". Corresponde a um caractere na sequência de destino que é representado pelos quatro dígitos hexadecimais hhhh.

• Uma sequência de escape de controle da forma "\ck". Corresponde ao caractere de controle que é nomeado pelo caractere k.

• Uma declaração de limite de palavra da forma "\b". Corresponde quando a posição atual na sequência de destino está logo após um limite de palavra.

• Uma declaração de limite de palavra negativa da forma "\B". Corresponde quando a posição atual na sequência de destino não está logo após um limite de palavra.

• Um escape de caractere dsw da forma "\d", "\D", "\s", "\S", "\w", "\W". Fornece um nome curto para uma classe de caractere.

Exemplos:

• "(?:a)" corresponde à sequência de destino "a", mas "(?:a)\1" é inválido porque não há grupo de captura 1.

• "(?=a)a" corresponde à sequência de destino "a". A declaração positiva corresponde à sequência inicial "a" na sequência de destino e "a" final na expressão regular corresponde à sequência inicial "a" na sequência de destino.

• "(?!a)a" não corresponde à sequência de destino "a".

• "a\b." corresponde à sequência de destino "a~", mas não corresponde à sequência de destino "ab".

• "a\B." corresponde à sequência de destino "ab", mas não corresponde à sequência de destino "a~".

Em awk, um elemento também pode ser um dos seguintes itens:

• Um escape de formato de arquivo da forma "\\", "\a", "\b", "\f", "\n", "\r", "\t" ou "\v". Isso corresponde a uma barra invertida, um alerta, um backspace, um avanço de página, uma nova linha, um retorno de carro, uma guia horizontal e uma guia vertical, respectivamente, na sequência de destino.

• Uma sequência de escape octal da forma "\ooo". Corresponde a um caractere na sequência de destino cuja representação é o valor representado por um, dois ou três dígitos octais ooo.

Repetição

Qualquer elemento diferente de uma declaração positiva, uma declaração negativa ou uma âncora pode ser seguido por uma contagem de repetição. O tipo mais genérico de contagem de repetição usa a forma "{min,max}" ou "\{min,max\}" em BRE e grep. Um elemento que é seguido por essa forma de contagem de repetição corresponde a pelo menos min ocorrências sucessivas e a não mais do que max ocorrências sucessivas de uma sequência que corresponde ao elemento. Por exemplo, "a{2,3}" corresponde à sequência de destino "aa" e à sequência de destino "aaa", mas não à sequência de destino "a" ou à sequência de destino "aaaa".

Uma contagem de repetição também pode usar uma das seguintes formas:

• "{min}", ou "\{min\}" em BRE e grep. Equivalente a "{min,min}".

• "{min,}" ou "\{min,\}" em BRE e grep. Equivalente a "{min,unbounded}".

• "*". Equivalente a "{0,unbounded}".

Exemplos:

• "a{2}" corresponde à sequência de destino "aa", mas não à sequência de destino "a" ou à sequência de destino "aaa".

• "a{2,}" corresponde à sequência de destino "aa", à sequência de destino "aaa", e assim por diante", mas não corresponde à sequência de destino "a".

• "a*" corresponde à sequência de destino "", à sequência de destino "a", à sequência de destino "aa", e assim por diante.

Para todas as gramáticas, exceto BRE e grep, uma contagem de repetição também pode usar uma das seguintes formas:

• "?". Equivalente a "{0,1}".

• "+". Equivalente a "{1,unbounded}".

Exemplos:

• "a?" corresponde à sequência de destino "" e à sequência de destino "a", mas não à sequência de destino "aa".

• "a+" corresponde à sequência de destino "a", à sequência de destino "aa", e assim por diante, mas não à sequência de destino "".

Em ECMAScript, todas as formas de contagem de repetição podem ser seguidas pelo caractere '?', que designa uma repetição não greedy.

Concatenação

Os elementos de expressão regular, com ou sem contagens de repetição, podem ser concatenadas para formar expressões regulares mais longas. A expressão resultante corresponde a uma sequência de destino que é uma concatenação das sequências que são correspondidas pelos elementos individuais. Por exemplo, "a{2,3}b" corresponde à sequência de destino "aab" e à sequência de destino "aaab", mas não à sequência de destino "ab" ou à sequência de destino "aaaab".

Alternação

Em todas as gramáticas de expressão regular, exceto BRE e grep, uma expressão regular concatenada pode ser seguida pelo caractere "|" e outra expressão regular concatenada. Qualquer número de expressões regulares concatenadas pode ser combinado dessa forma. A expressão resultante corresponde a qualquer sequência de destino que corresponda a uma ou mais das expressões regulares concatenadas.

Quando mais de uma expressão regular concatenada corresponde à sequência de destino, ECMAScript escolhe a primeira das expressões regulares concatenadas que corresponde à sequência como a correspondência (primeira correspondência); as outras gramáticas da expressão regular escolhem aquela que alcança a correspondência mais longa. Por exemplo, "ab|cd" corresponde à sequência de destino "ab" e à sequência de destino "cd", mas não à sequência de destino "abd" ou à sequência de destino "acd".

Em grep e egrep, um caractere de nova linha ('\n') pode ser usado para separar alternações.

Subexpressão

Em BRE e grep, uma subexpressão é uma concatenação. Em outras gramáticas de expressão regular, uma subexpressão é uma alternância.

Resumo de gramática

A tabela a seguir resume os recursos que estão disponíveis nas várias gramáticas de expressão regular:

Elemento	BRE	ERE	ECMA	grep	egrep	awk
alternância usando '|'		+	+		+	+
alternância usando '\n'				+	+
âncora	+	+	+	+	+	+
referência inversa	+		+	+
expressão entre colchetes	+	+	+	+	+	+
grupo de captura usando "()"		+	+		+	+
grupo de captura usando "\(\)"	+			+
sequência de escape de controle			+
escape de caractere dsw			+
escape de formato de arquivo			+			+
sequência de escape hexadecimal			+
escape de identidade	+	+	+	+	+	+
declaração negativa			+
declaração de limite de palavra negativa			+
grupo de não captura			+
repetição não greedy			+
sequência de escape octal						+
caractere comum	+	+	+	+	+	+
declaração positiva			+
repetição usando "{}"		+	+		+	+
repetição usando "\{\}"	+			+
repetição usando '*'	+	+	+	+	+	+
repetição usando '?' e '+'		+	+		+	+
sequência de escape unicode			+
caractere curinga	+	+	+	+	+	+
declaração de limite de palavra			+

Detalhes da semântica

Âncora

Uma âncora corresponde a uma posição na cadeia de caracteres de destino, e não a um caractere. Uma âncora '^' corresponde ao início da cadeia de caracteres de destino e uma âncora '$' corresponde ao fim da cadeia de caracteres de destino.

Referência inversa

Uma referência inversa é uma barra invertida seguida por um valor N decimal. Ela corresponde ao conteúdo do enésimo grupo de captura. O valor de N não deve ser maior que o número de grupos de captura que precede a referência inversa. Em BRE e grep, o valor de N é determinado pelo dígito decimal que segue a barra invertida. Em ECMAScript, o valor de N é determinado por todos os dígitos decimais que seguem imediatamente a barra invertida. Portanto, em BRE e grep, o valor de N nunca é superior a 9, mesmo que a expressão regular tenha mais de nove grupos de captura. Em ECMAScript, o valor de N é unbounded.

Exemplos:

• "((a+)(b+))(c+)\3" corresponde à sequência de destino "aabbbcbbb". A referência inversa "\3" corresponde ao texto no terceiro grupo de captura, isto é, "(b+)". Ela não corresponde à sequência de destino "aabbbcbb".

• "(a)\2" não é válido.

• "(b(((((((((a))))))))))\10" tem diferentes significados em BRE e em ECMAScript. Em BRE a referência inversa é "\1". A referência inversa corresponde ao conteúdo do primeiro grupo de captura (isto é, aquele que começa com "(b" e termina com ")" e vem antes da referência inversa), e o final '0' corresponde ao caractere comum '0'. Em ECMAScript, a referência inversa é "\10". Corresponde ao décimo grupo de captura, isto é, o mais interno.

Expressão entre colchetes

Uma expressão entre colchetes define um conjunto de caracteres e elementos de agrupamento. Quando a expressão entre colchetes começar com o caractere '^', a correspondência será bem-sucedida se nenhum elemento no conjunto corresponder ao caractere atual na sequência de destino. Caso contrário, a correspondência será bem-sucedida se algum dos elementos no conjunto corresponder ao caractere atual na sequência de destino.

O conjunto de caracteres pode ser definido pela listagem de qualquer combinação de caracteres individuais, intervalos de caracteres, classes de caracteres, classes de equivalência e símbolos de agrupamento.

Grupo de captura

O grupo de captura marca seu conteúdo como uma unidade única na gramática da expressão regular e rotula o texto de destino que corresponde ao seu conteúdo. O rótulo que é associado a cada grupo de captura é um número, que é determinado pela contagem dos parênteses de abertura que marcam grupos de captura até, e inclusive, os parênteses de abertura que marcam o grupo de captura atual. Nessa implementação, o número máximo de grupos de captura é 31.

Exemplos:

• "ab+" corresponde à sequência de destino "abb", mas não corresponde à sequência de destino "abab".

• "(ab)+" não corresponde à sequência de destino "abb", mas corresponde à sequência de destino "abab".

• "((a+)(b+))(c+)" corresponde à sequência de destino "aabbbc" e associa o grupo de captura 1 à subsequência "aabbb", o grupo de captura 2 à subsequência "aa", o grupo de captura 3 a "bbb" e o grupo de captura 4 à subsequência "c".

Classe de caractere

Uma classe de caractere em uma expressão entre colchetes adiciona todos os caracteres na classe nomeada ao conjunto de caracteres que é definido pela expressão entre colchetes. Para criar uma class de caractere, use "[:" seguido pelo nome da classe seguida por ":]". Internamente, nomes de classes de caractere são reconhecidos chamando id = traits.lookup_classname. Um caractere ch pertencerá a uma classe dessa se traits.isctype(ch, id) retornar true. O modelo regex_traits padrão oferece suporte a nomes de classe na tabela a seguir.

Nome da classe	Descrição
"alnum"	letras minúsculas, letras maiúsculas e dígitos
"alpha"	letras minúsculas e letras maiúsculas
"blank"	espaço ou tabulação
"cntrl"	os caracteres de escape de formato de arquivo
"digit"	dígitos
"graph"	letras minúsculas, letras maiúsculas, dígitos e pontuação
"lower"	letras minúsculas
"print"	letras minúsculas, letras maiúsculas, dígitos, pontuação e espaço
"punct"	pontuação
"space"	espaço
"upper	caracteres maiúsculos
"xdigit"	dígitos, 'a', 'b', 'c', 'd', 'e', 'f', 'A', 'B', 'C', 'D', 'E', 'F'
"d"	mesmo que digit
"s"	mesmo que space
"w"	mesmo que alnum

Intervalo de caracteres

Um intervalo de caracteres em uma expressão entre colchetes adiciona todos os caracteres no intervalo ao conjunto de caracteres que é definido pela expressão entre colchetes. Para criar um intervalo de caracteres, coloque o caractere '-' entre o primeiro e o último caracteres no intervalo. Fazer isso coloca no conjunto todos os caracteres que têm um valor numérico maior ou igual ao valor numérico do primeiro caractere e menor ou igual ao valor numérico do último caractere. Observe que esse conjunto de caracteres adicionados depende da representação de caracteres específica da plataforma. Se o caractere '-' ocorrer no início ou no fim de uma expressão entre colchetes, ou como o primeiro ou o último caractere de um intervalo de caracteres, ele representará a si mesmo.

Exemplos:

• "[0-7]" representa o conjunto de caracteres { '0', '1', '2', '3', '4', '5', '6', '7' }. Ele corresponde às sequências de destino "0", "1", e assim por diante, mas não a "a".

• Em sistemas que usam a codificação de caractere ASCII, "[h-k]" representa o conjunto de caracteres { 'h', 'i', 'j', 'k' }. Ele corresponde às sequências de destino "h", "i", e assim por diante, mas não a "\x8A" ou "0".

• Em sistemas que usam a codificação de caractere EBCDIC, "[h-k]" representa o conjunto de caracteres { 'h', 'i', '\x8A', '\x8B', '\x8C', '\x8D', '\x8E', '\x8F', '\x90', 'j', 'k' } ('h' é codificado como 0x88 e 'k' é codificado como 0x92). Corresponde às sequências de destino "h", "i", "\x8A", e assim por diante, mas não a "0".

• "[-0-24]" representa o conjunto de caracteres { '-', '0', '1', '2', '4' }.

• "[0-2-]" representa o conjunto de caracteres { '0', '1', '2', '-' }.

• Em sistemas que usam a codificação de caractere ASCII, "[+--]" representa o conjunto de caracteres { '+', ',', '-' }.

No entanto, quando os intervalos que diferenciam a localidade são usados, os caracteres em um intervalo são determinados pelas regras de agrupamento da localidade. Os caracteres que são agrupados após o primeiro caractere na definição do intervalo e antes do último caractere na definição do intervalo estão no conjunto. Os dois caracteres finais também estão no conjunto.

Elemento de agrupamento

Um elemento de agrupamento é uma sequência de vários caracteres que é tratada como um único caractere.

Símbolo de agrupamento

Um símbolo de agrupamento em uma expressão entre colchetes adiciona um elemento de agrupamento ao conjunto que é definido pela expressão entre colchetes. Para criar um símbolo de agrupamento, use "[." seguido pelo elemento de agrupamento seguido por ".]".

Sequência de escape de controle

Uma sequência de escape de controle é uma barra invertida seguida pela letra 'c', seguida por uma das letras de 'a' a 'z' ou 'A' a 'Z'. Ela corresponde ao caractere de controle ASCII que é nomeado por essa letra. Por exemplo, "\ci" corresponde à sequência de destino "\x09", pois <ctrl-i> tem o valor 0x09.

Escape de caractere DSW

Um escape de caractere dsw é um nome curto para uma classe de caractere, conforme mostrado na tabela a seguir.

Sequência de escape	Classe nomeada equivalente	Classe nomeada padrão
"\d"	"[[:d:]]"	"[[:digit:]]"
"\D"	"[^[:d:]]"	"[^[:digit:]]"
"\s"	"[[:s:]]"	"[[:space:]]"
"\S"	"[^[:s:]]"	"[^[:space:]]"
"\w"	"[[:w:]]"	"[a-zA-Z0-9_]"*
"\W"	"[^[:w:]]"	"[^a-zA-Z0-9_]"*

*Conjunto de caracteres ASCII

Classe de equivalência

Uma classe de equivalência em uma expressão entre colchetes adiciona todos os caracteres e elementos de agrupamento que são equivalentes ao elemento de agrupamento na definição de classe de equivalência ao conjunto que é definido pela expressão entre colchetes. Para criar uma classe de equivalência, use "[=" seguida por um elemento de agrupamento seguido por "=]". Internamente, dois elementos de agrupamento, elt1 e elt2, serão equivalentes se traits.transform_primary(elt1.begin(), elt1.end()) == traits.transform_primary(elt2.begin(), elt2.end()).

Escape de formato de arquivo

Um escape de formato de arquivo consiste nas sequências de escape de caractere da linguagem C comum, "\\", "\a", "\b", "\f", "\n", "\r", "\t", "\v". Elas têm significados comuns, isto é, barra invertida, alerta, backspace, avanço de página, nova linha, retorno de carro, guia horizontal e guia vertical, respectivamente. Em ECMAScript, "\a" e "\b" não são permitidos. ("\\" é permitido, mas é um escape de identidade, não um escape de formato de arquivo).

Sequência de escape hexadecimal

Uma sequência de escape hexadecimal é uma barra invertida seguida pela letra 'x' seguida por dois dígitos hexadecimais (0-9a-fA-F). Ela corresponde a um caractere na sequência de destino que tem o valor especificado pelos dois dígitos. Por exemplo, "\x41" corresponde à sequência de destino "A" quando a codificação de caractere ASCII é usada.

Escape de identidade

Um escape de identidade é uma barra invertida seguida por um único caractere. Ele corresponde a esse caractere. É obrigatório quando o caractere tem um significado especial; ao usar o escape de identidade, o significado especial é removido. Por exemplo:

• "a*" corresponde à sequência de destino "aaa", mas não corresponde à sequência de destino "a*".

• "a\*" não corresponde à sequência de destino "aaa", mas corresponde à sequência de destino "a*".

O conjunto de caracteres que são permitidos em um escape de identidade depende da gramática da expressão regular, conforme mostrado na tabela a seguir.

Gramática	Caracteres de escape de identidade permitidos
BRE, grep	{ '(', ')', '{', '}', '.', '[', '\', '*', '^', '$' }
ERE, egre	{ '(', ')', '{', '.', '[', '\', '*', '^', '$', '+', '?', '|' }
awk	ERE mais { '"', '/' }
ECMAScript	Todos os caracteres, exceto aqueles que podem fazer parte de um identificador. Geralmente, isso inclui letras, dígitos, '$', '_' e sequências de escape unicode. Para obter mais informações, consulte a especificação de linguagem ECMAScript.

Caractere individual

Um caractere individual em uma expressão entre colchetes adiciona esse caractere ao conjunto de caracteres que é definido pela expressão entre colchetes. Em qualquer lugar em uma expressão entre colchetes, exceto no início, um '^' representa a si mesmo.

Exemplos:

• "[abc]" corresponde às sequências de destino "a", "b" e "c", mas não à sequência "d".

• "[^abc]" corresponde à sequência de destino "d", mas não às sequências de destino "a", "b" ou "c".

• "[a^bc]" corresponde às sequências de destino "a", "b", "c" e "^", mas não à sequência de destino "d".

Em todas as gramáticas de expressão regular, exceto ECMAScript, se um ']' for o primeiro caractere que segue o '[' de abertura ou for o primeiro caractere que segue um '^' inicial, ele representará a si mesmo.

Exemplos:

• "[]a" é inválido porque não há ']' para finalizar a expressão entre colchetes.

• "[]abc]" corresponde às sequências de destino "a", "b", "c" e "]", mas não à sequência de destino "d".

• "[^]abc]" corresponde à sequência de destino "d", mas não às sequências de destino "a", "b", "c" ou "]".

Em ECMAScript, use '\]' para representar o caractere ']' em uma expressão entre colchetes.

Exemplos:

• "[]a" corresponde à sequência de destino "a" porque a expressão entre colchetes está vazia.

• "[\]abc]" corresponde às sequências de destino "a", "b", "c" e "]", mas não à sequência de destino "d".

Declaração negativa

Uma declaração negativa corresponde a qualquer item, menos a seu conteúdo. Ela não consome nenhum caractere na sequência de destino. Por exemplo, "(?!aa)(a*)" corresponde à sequência de destino "a" e associa o grupo de captura 1 à subsequência "a". Ela não corresponde à sequência de destino "aa" ou à sequência de destino "aaa".

Declaração de limite de palavra negativa

Uma declaração de limite de palavra negativa corresponderá se a posição atual na cadeia de caracteres de destino não estiver logo após um limite de palavra.

Grupo de não captura

Um grupo de não captura marca seu conteúdo como uma unidade única na gramática da expressão regular, mas não rotula o texto de destino. Por exemplo, "(a)(?:b)*(c) corresponde ao texto de destino "abbc" e associa o grupo de captura 1 à subsequência "a" e o grupo de captura 2 à subsequência "c".

Repetição não greedy

Uma repetição não greedy consome a subsequência mais curta da sequência de destino que corresponde ao padrão. Uma repetição greedy consome a mais longa. Por exemplo, "(a+)(a*b)" corresponde à sequência de destino "aaab". Quando uma repetição não greedy é usada, ela associa o grupo de captura 1 à subsequência "a" no início da sequência de destino e o grupo de captura 2 à subsequência "aab" no fim da sequência de destino. Quando uma correspondência greedy é usada, ela associa o grupo de captura 1 à subsequência "aaa" e o grupo de captura 2 à subsequência "b".

Sequência de escape octal

Uma sequência de escape octal é uma barra invertida seguida por um, dois ou três dígitos octais (0-7). Ela corresponde a um caractere na sequência de destino que tem o valor especificado por esses dígitos. Se todos os dígitos forem '0', a sequência será inválida. Por exemplo, "\101" corresponde à sequência de destino "A" quando a codificação de caractere ASCII é usada.

Caractere comum

Um caractere comum é qualquer caractere válido que não tem um significado especial na gramática atual.

Em ECMAScript, os seguintes caracteres têm significados especiais:

• ^ $ \ . * + ? ( ) [ ] { } |

Em BRE e grep, os seguintes caracteres têm significados especiais:

• . [ \

Além disso, em BRE e grep, os seguintes caracteres têm significados especiais quando são usados em um determinado contexto:

• '*' tem um significado especial em todos os casos, exceto quando ele for o primeiro caractere em uma expressão regular ou o primeiro caractere que segue um '^' inicial em uma expressão regular, ou quando ele for o primeiro caractere de um grupo de captura ou o primeiro caractere que segue um '^' inicial em um grupo de captura.

• '^' tem um significado especial quando ele for o primeiro caractere de uma expressão regular.

• '$' tem um significado especial quando ele é o último caractere de uma expressão regular.

Em ERE, egrep e awk, os seguintes caracteres têm significados especiais:

• . [ \ ( * + ? { |

Além disso, em ERE, egrep e awk, os seguintes caracteres têm significados especiais quando são usados em um determinado contexto.

• ')' tem um significado especial quando corresponde a um '(' precedente.

• '^' tem um significado especial quando ele for o primeiro caractere de uma expressão regular.

• '$' tem um significado especial quando ele é o último caractere de uma expressão regular.

Um caractere comum que corresponde ao mesmo caractere na sequência de destino. Por padrão, isso significa que a correspondência será bem-sucedida se dois caracteres forem representados pelo mesmo valor. Em uma correspondência que não diferencia letras maiúsculas e minúsculas, dois caracteres ch0 e ch1 corresponderão se traits.translate_nocase(ch0) == traits.translate_nocase(ch1). Em uma correspondência que diferencia a localidade, dois caracteres ch0 e ch1 corresponderão se traits.translate(ch0) == traits.translate(ch1).

Declaração positiva

Uma declaração positiva corresponde a seu conteúdo, mas não consome nenhum caractere na sequência de destino.

Exemplos:

• "(?=aa)(a*)" corresponde à sequência de destino "aaaa" e associa o grupo de captura 1 à subsequência "aaaa".

• "(aa)(a*)" corresponde à sequência de destino "aaaa" e associa o grupo de captura 1 à subsequência "aa" no início da sequência de destino e o grupo de captura 2 à subsequência "aa" no fim da sequência de destino.

• "(?=aa)(a)|(a)" corresponde à sequência de destino "a" e associa o grupo de captura 1 a uma sequência vazia (pois a declaração positiva falhou) e o grupo de captura 2 à subsequência "a". Ele também corresponde à sequência de destino "aa" e associa o grupo de captura 1 à subsequência "aa" e o grupo de captura 2 a uma sequência vazia.

Sequência de escape Unicode

Uma sequência de escape unicode é uma barra invertida seguida pela letra 'u' seguida por quatro dígitos hexadecimais (0-9a-fA-F). Ela corresponde a um caractere na sequência de destino que tem o valor especificado pelos quatro dígitos. Por exemplo, "\u0041" corresponde à sequência de destino "A" quando a codificação de caractere ASCII é usada.

Caractere curinga

Um caractere curinga que corresponde a qualquer caractere na expressão de destino, exceto a uma nova linha.

Limite de palavra

Um limite de palavra ocorre nas seguintes situações:

• O caractere atual está no início da sequência de destino e é um dos caracteres da palavra A-Za-z0-9_.

• A posição do caractere atual está após o fim da sequência de destino e o último caractere na sequência de destino é um dos caracteres da palavra.

• O caractere atual é um dos caracteres da palavra e o caractere precedente, não.

• O caractere atual não é um dos caracteres da palavra e o caractere precedente, sim.

Declaração de limite de palavra

Uma declaração de limite de palavra corresponderá quando a posição atual na cadeia de caracteres de destino estiver logo após um limite de palavra.

Correspondência e pesquisa

Para que uma expressão regular corresponda a uma sequência de destino, a expressão regular inteira deverá corresponder à sequência de destino inteira. Por exemplo, a expressão regular "bcd" corresponde à sequência de destino "bcd", mas não corresponde à sequência de destino "abcd", nem à sequência de destino "bcde".

Para que uma pesquisa de expressão regular seja bem-sucedida, deve haver uma subsequência em algum lugar na sequência de destino que corresponda à expressão regular. Geralmente, a pesquisa encontra a subsequência correspondente à extrema esquerda.

Exemplos:

• Uma pesquisa pela expressão regular "bcd" na sequência de destino "bcd" é bem-sucedida e corresponde à sequência inteira. A mesma pesquisa na sequência de destino "abcd" também é bem-sucedida e corresponde aos três últimos caracteres. A mesma pesquisa na sequência de destino "bcde" também é bem-sucedida e corresponde aos três primeiros caracteres.

• Uma pesquisa pela expressão regular "bcd" na sequência de destino "bcdbcd" é bem-sucedida e corresponde aos três primeiros caracteres.

Se houver mais de uma subsequência que corresponda em algum local na sequência de destino, há duas maneiras de escolher o padrão correspondente. A primeira correspondência escolhe a subsequência que foi encontrada primeiro quando a expressão regular é correspondida. A correspondência mais longa escolhe a subsequência mais longa dentre aquelas com correspondência nesse local. Se houver mais de uma subsequência que tenha comprimento máximo, a correspondência mais longa escolherá aquela que foi encontrada primeiro. Por exemplo, quando a primeira correspondência é usada, uma pesquisa pela expressão regular "b|bc" na sequência de destino "abcd" corresponde à subsequência "b", pois o termo da alternância do lado esquerdo corresponde a essa subsequência; portanto, a primeira correspondência não tenta o termo da alternância do lado direito. Quando a correspondência mais longa é usada, a mesma pesquisa corresponde a "bc" porque "bc" é mais longo que "b".

Uma correspondência parcial será bem-sucedida se a correspondência atingir o fim da sequência de destino sem falhar, mesmo que ela não tenha atingido o fim da expressão regular. Dessa forma, depois do êxito de uma correspondência parcial, acrescentar caracteres à sequência de destino pode causar uma falha em uma correspondência parcial posterior. No entanto, após a falha de uma correspondência parcial, acrescentar caracteres à sequência de destino não fará com uma correspondência parcial posterior seja bem-sucedida. Por exemplo, com uma correspondência parcial, "ab" corresponde à sequência de destino "a", mas não à "ac".

Sinalizadores de formato

Regras de formato de ECMAScript	Regras de formato sed	Texto de substituição
"$&"	"&"	A sequência de caracteres que corresponde à expressão regular inteira ([match[0].first, match[0].second))
"$$"		"$"
	"\&"	"&"
"$`" (o cifrão de dólar seguido pelo acento grave)		A sequência de caracteres que precede a subsequência que corresponde à expressão regular ([match.prefix().first, match.prefix().second))
"$'" (cifrão de dólar seguido por aspas simples)		A sequência de caracteres que segue a subsequência que corresponde à expressão regular ([match.suffix().first, match.suffix().second))
"$n"	"\n"	A sequência de caracteres que corresponde ao grupo de captura na posição n, em que n é um número entre 0 e 9 ([match[n].first, match[n].second)
	"\\n"	"\n"
"$nn"		A sequência de caracteres que corresponde ao grupo de captura na posição nn, em que nn é um número entre 10 e 99 ([match[nn].first, match[nn].second)

Consulte também

Referência

Visão geral da Biblioteca Padrão C++