<para>As <emphasis>Expressões Regulares</emphasis> oferecem-nos uma forma de descrever alguns conteúdos possíveis de uma sequência de texto, a qual pode ser compreendida de certa forma por algum 'software', de modo a que este possa investigar se um texto corresponde, e também no caso das aplicações avançadas, com a possibilidade de guardar pedaços do texto correspondente.</para>
<para>Um exemplo: Imagine que deseja procurar num texto por parágrafos que comecem quer pelos nomes <quote>Henrique</quote> ou <quote>Pedro</quote>, seguidos de alguma forma do verbo <quote>dizer</quote>.</para>
<para>Com uma pesquisa normal, iria começar a procurar pelo primeiro nome, <quote>Henrique</quote>, sendo talvez seguido de <quote>di</quote>, como o seguinte: <userinput>Henrique di</userinput> e, enquanto procura por ocorrências, iria ignorar os que não se encontram no início de um parágrafo, assim como os que têm uma palavra que começa por <quote>di</quote> que não é <quote>diz</quote>, <quote>disse</quote> ou algo do género. Claro, e ainda ter que repetir isto com o próximo nome...</para>
<para>Com as Expressões Regulares, essa tarefa pode ser acompanhada com uma única pesquisa e com um maior grau de precisão.</para>
<para>Para conseguir isto, as Expressões Regulares definem regras para exprimir com detalhe uma generalização de uma sequência de texto com a qual corresponder. No nosso exemplo, o qual podemos exprimir literalmente da seguinte forma: <quote>Uma linha que começa por <quote>Henrique</quote> ou <quote>Pedro</quote> (possivelmente a seguir a 4 espaços ou tabulações) seguida de um espaço em branco e da sequência <quote>di</quote>, sendo esta seguida de <quote>z</quote> ou <quote>sse</quote></quote> pode ser expressa com a seguinte expressão regular:</para> <para><userinput>^[ \t]{0,4}(Henrique|Pedro) di(z|sse)</userinput></para>
<para>O exemplo anterior demonstra todos os quatro maiores conceitos das expressões regulares modernas, nomeadamente:</para>
<para>O acento circunflexo (<literal>^</literal>) no início da expressão é uma asserção ou verificação que é verdadeira só se o texto correspondente está no início da linha.</para>
<para>As sequências <literal>[ \t]</literal> e <literal>(Henrique|Pedro) di(z|se)</literal> são padrões. O primeiro é uma <emphasis>classe de caracteres</emphasis> que corresponde quer a um espaço em branco quer a uma tabulação (horizontal); o outro padrão contém, em primeiro lugar, um sub-padrão que corresponde quer a <literal>Henrique</literal> <emphasis>quer a</emphasis> <literal>Pedro</literal>, pelo que se segue o texto exacto <literal> di</literal> e, finalmente, existe um sub-padrão que corresponde a <literal>z</literal> <emphasis>ou</emphasis> a <literal>sse</literal></para>
<para>A sequência <literal>{0,4}</literal> é um quantificador que diz <quote>qualquer número de vezes entre 0 e 4 da sequência anterior</quote>.</para>
<para>Como o 'software' de expressões regulares suporta o conceito de <emphasis>referências anteriores</emphasis>, ele guarda a parte inteira correspondente ao texto, bem como aos sub-padrões entre parêntesis; se for dado um meio de aceder a essas referências, pode-se aceder a toda a correspondência (ao procurar num documento de texto num editor com uma expressão regular, esta é normalmente marcada como seleccionada), apenas ao nome encontrado, ou à última parte do verbo.</para>
<para>Tudo em conjunto, a expressão irá corresponder onde nós queiramos que o faça, e só aí.</para>
<para>As secções seguintes irão descrever em detalhe como construir e usar os padrões, as classes de caracteres, as verificações, os quantificadores e as referências anteriores; a secção final irá dar alguns exemplos úteis.</para>
<para>Os padrões consistem em cadeias de caracteres literais e em classes de caracteres. Os padrões podem conter sub-padrões, que são padrões entre parêntesis.</para>
<para>Tanto nos padrões como nas classes de caracteres, alguns caracteres têm um significado especial. Para corresponder literalmente com algum desses caracteres, estes têm de ser marcados ou <emphasis>escapados</emphasis>, para permitir ao 'software' de expressões regulares perceber que deve interpretar esses caracteres no seu sentido literal.</para>
<para>O 'software' de expressões regulares irá ignorar silenciosamente uma barra para um carácter que não tenha um significado especial no contexto; por isso, se escapar, por exemplo, um <quote>j</quote> (<userinput>\j</userinput>), não há problema. Se tiver dúvidas se um carácter poderá ter algum significado especial, podê-lo-á então escapar em segurança.</para>
<title>Classes de Caracteres e abreviaturas</title>
<para>Uma <emphasis>classe de caracteres</emphasis> é uma expressão que corresponde a um carácter, dentro de um conjunto definido de caracteres. Nas Expressões Regulares, as classes de caracteres são definidas, pondo os caracteres permitidos para a classe entre parêntesis rectos, <literal>[]</literal>, ou usando uma das classes abreviadas descritas em seguida.</para>
<para>As classes de caracteres simples contêm apenas um ou mais caracteres literais, como por exemplo <userinput>[abc]</userinput> (o que pode corresponder quer a <quote>a</quote>, a <quote>b</quote> ou a <quote>c</quote>), ou então o <userinput>[0123456789]</userinput> (que corresponde a qualquer dígito).</para>
<para>Dado que as letras e os números têm uma ordem lógica, podê-los-á abreviar, indicando intervalos: o <userinput>[a-c]</userinput> é igual a <userinput>[abc]</userinput> e o <userinput>[0-9]</userinput> é igual a <userinput>[0123456789]</userinput>. Combinando estas opções, por exemplo <userinput>[a-fynot1-38]</userinput> é perfeitamente possível (a última classe irá corresponder a um dos seguintes caracteres: <quote>a</quote>,<quote>b</quote>,<quote>c</quote>,<quote>d</quote>, <quote>e</quote>,<quote>f</quote>,<quote>y</quote>,<quote>n</quote>,<quote>o</quote>,<quote>t</quote>, <quote>1</quote>,<quote>2</quote>,<quote>3</quote> ou <quote>8</quote>).</para>
<para>Dado que as letras maiúsculas são caracteres diferentes dos seus equivalentes minúsculos, para criar uma classe de caracteres indiferente da capitalização que corresponda quer a <quote>a</quote> ou a <quote>b</quote> em qualquer dos casos, será necessário indicá-la como <userinput>[aAbB]</userinput>.</para>
<para>Obviamente, é possível criar uma classe <quote>negativa</quote> que corresponda a <quote>tudo excepto</quote>. Para o fazer, coloque um acento circunflexo (<literal>^</literal>) no início da classe: </para>
<para><userinput>[^abc]</userinput> irá corresponder a qualquer carácter <emphasis>excepto</emphasis> o <quote>a</quote>, o <quote>b</quote> ou o <quote>c</quote>.</para>
<para>Para além dos caracteres literais, estão definidas algumas abreviaturas, o que torna a vida um pouco mais fácil: <variablelist>
<listitem><para>Isto corresponde ao carácter Unicode com o código hexadecimal 'hhhh' (entre 0x0000 e 0xFFFF). O \0ooo (isto é, \zero ooo) corresponde ao carácter <acronym>ASCII</acronym>/Latin-1 com o código octal 'ooo' (entre 0 e 0377).</para></listitem>
<listitem><para>Corresponde a um carácter não-branco. É praticamente igual a <literal>[^ \t\r\n]</literal> e igual a <literal>[^\s]</literal></para></listitem>
<listitem><para>Corresponde a qualquer <quote>carácter de palavra</quote> - neste caso, qualquer letra ou dígito. Repare que o sublinhado (<literal>_</literal>) não corresponde, como acontece com as expressões regulares do Perl. É igual a <literal>[a-zA-Z0-9]</literal></para></listitem>
<listitem><para>Corresponde a um não-carácter de palavra - tudo menos letras ou dígitos. É igual a <literal>[^a-zA-Z0-9]</literal> ou <literal>[^\w]</literal></para></listitem>
<para>As classes abreviadas podem ser postas dentro de uma classe personalizada; por exemplo, para corresponder a um carácter de palavra, a um espaço em branco ou a um ponto, poderia escrever <userinput>[\w \.]</userinput></para>
<para>Os seguintes caracteres têm um significado especial dentro da estrutura da classe de caracteres <quote>[]</quote>, devendo ser escapados para serem incluídos literalmente dentro de uma classe:</para>
<listitem><para>Termina a classe de caracteres. Deve ser escapada, a menos que seja o primeiro carácter da classe (pode estar a seguir a um ^ não-escapado)</para></listitem>
<listitem><para>Denota uma classe negativa, se for o primeiro carácter. Deve ser escapado para ser correspondido literalmente, se for o primeiro carácter da classe.</para></listitem>
<title>Alternativas: corresponder a <quote>um de</quote></title>
<para>Se quiser corresponder a um elemento de um conjunto de padrões alternativos, podê-los-á separar com o <literal>|</literal> (carácter de barra vertical).</para>
<para>Por exemplo, se quiser encontrar tanto <quote>João</quote> como <quote>Henrique</quote>, poderá usar uma expressão <userinput>João|Henrique</userinput>.</para>
<para>Os <emphasis>sub-padrões</emphasis> são padrões colocados dentro de parêntesis, e podem ter várias utilizações no mundo das expressões regulares.</para>
<para>Poderá usar um sub-padrão para agrupar um conjunto de alternativas num padrão maior. As alternativas são separadas pelo carácter <quote>|</quote> (barra vertical).</para>
<para>Por exemplo, para corresponder a uma das palavras <quote>int</quote>, <quote>float</quote> ou <quote>double</quote>, poderia usar o padrão <userinput>int|float|double</userinput>. Se só desejar encontrar uma, se estiver seguida de algum espaço e de algumas letras, ponha as alternativas dentro de um sub-padrão: <userinput>(int|float|double)\s+\w+</userinput>.</para>
<title>Capturar o texto correspondente (referências anteriores)</title>
<para>Se desejar usar uma referência anterior, use um sub-padrão para obter a parte desejada do padrão recordado.</para>
<para>Por exemplo, se quiser encontrar duas ocorrências da mesma palavra, separadas por uma vírgula e provavelmente por algum espaço, poderia escrever <userinput>(\w+),\s*\1</userinput>. O sub-padrão <literal>\w+</literal> iria encontrar um conjunto de caracteres de palavra e a expressão inteira iria corresponder, se estas fossem seguidas por uma vírgula, 0 ou mais espaços e por um conjunto igual de caracteres de palavras. (O texto <literal>\1</literal> referencia <emphasis>o primeiro sub-padrão entre parêntesis</emphasis>)</para>
<!-- <para>See also <link linkend="backreferences">Back references</link>.</para> -->
<para>Uma verificação antecipada é um sub-padrão que começa por <literal>?=</literal> ou por <literal>?!</literal>.</para>
<para>Por exemplo, para fazer a correspondência com o nome <quote>Bill</quote> mas só se não for seguido de <quote> Gates</quote>, podia usar esta expressão: <userinput>Bill(?! Gates)</userinput>. (Isto iria encontrar o <quote>Bill Clinton</quote>, assim como o <quote>Billy the kid</quote>, mas iria ignorar as outras correspondências).</para>
<para>Os sub-padrões usados para as verificações não são capturados.</para>
<para>Veja também as <link linkend="assertions">Asserções ou Verificações</link></para>
<para>Os seguintes caracteres têm significado próprio dentro de um padrão, e necessitam ser escapados se quiser fazer correspondência com eles: <variablelist>
<para>Os <emphasis>quantificadores</emphasis> permitem a uma expressão regular fazer a correspondência com um número ou intervalo específico de vezes nas quais ocorre um carácter, classe de caracteres ou sub-padrão.</para>
<para>Os quantificadores estão delimitados por chavetas (<literal>{</literal> e <literal>}</literal>) e têm a forma geral <literal>{[mínimo-de-ocorrências][,[máximo-de-ocorrências]]}</literal> </para>
<para>A sua utilização será melhor explicada com um exemplo: <variablelist>
<para>Ao usar quantificadores sem máximos, as expressões regulares tentam corresponder com o máximo do texto possível, um comportamento designado normalmente como <emphasis>greedy</emphasis> (ambicioso).</para>
<para>O 'software' de expressões regulares moderno oferece as opções para <quote>desligar esse comportamento</quote>, ainda que, num ambiente gráfico, isto dependa da interface que der para a funcionalidade. Por exemplo, uma janela de procura, que ofereça uma pesquisa de expressões regulares, poderia ter uma opção chamada <quote>Correspondência mínima</quote>, assim como podia indicar se o comportamento ambicioso é o comportamento por omissão.</para>
<listitem><para>Corresponde aos dígitos em <quote>1234 go</quote> e em <quote>12345 now</quote>, mas não corresponde a <quote>567 eleven</quote> ou a <quote>223459 somewhere</quote></para></listitem>
<listitem><para>Corresponde a tudo de <quote>blablabla</quote> e a <quote>bla</quote> em <quote>blackbird</quote> ou em <quote>tabela</quote></para></listitem>
<listitem><para>Corresponde a <quote>/></quote> em <quote><closeditem/></quote> assim como a <quote>></quote> em <quote><openitem></quote>.</para></listitem>
<para>As <emphasis>verificações</emphasis> ou asserções permitem a uma expressão regular fazer a correspondência, apenas sob determinadas condições controladas.</para>
<para>Uma verificação não precisa de um carácter com o qual corresponder; em vez disso, verifica os limites de uma possível correspondência antes de a indicar. Por exemplo, a verificação de <emphasis>limite de palavra</emphasis> não tenta encontrar um carácter não pertencente a uma palavra junto com um carácter de palavra, mas sim tenta ter a certeza que não existe um carácter de palavra. Isto significa que a verificação pode corresponder onde não existir um carácter, isto é, no fim do texto a pesquisar.</para>
<para>Algumas verificações, de facto, têm um padrão de correspondência, mas a parte do texto que correspondeu não será uma parte do resultado da correspondência, em relação à expressão completa.</para>
<para>As Expressões Regulares aqui referidas suportam as seguintes verificações: <variablelist>
<varlistentry>
<term><userinput>^</userinput> (acento circunflexo: início do texto)</term>
<listitem><para>Corresponde ao início do texto a pesquisar.</para> <para>A expressão <userinput>^Pedro</userinput> irá corresponder a <quote>Pedro</quote> no texto <quote>Pedro, olá!</quote> mas não em <quote>Olá, Pedro!</quote> </para> </listitem>
<term><userinput>$</userinput> (fim do texto)</term>
<listitem><para>Corresponde ao fim do texto a pesquisar.</para>
<para>A expressão <userinput>tu\?$</userinput> irá corresponder ao último 'tu' no texto <quote>tu não fizeste isto, ou foste tu?</quote> mas não fará correspondência em <quote>tu não fizeste isto, certo?</quote></para>
<term><userinput>\b</userinput> (limite de palavra)</term>
<listitem><para>Corresponde a um limite de palavra de um lado e se não é um carácter de palavra do outro.</para>
<para>Isto é útil para encontrar limites das palavras como, por exemplo, ambos os extremos para encontrar uma palavra inteira. A expressão <userinput>\bem\b</userinput> irá corresponde ao <quote>em</quote> separado no texto <quote>Ele entrou em Enfermagem</quote>, mas não corresponder a <quote>em</quote> na palavra <quote>Enfermagem</quote>.</para></listitem>
<term><userinput>\B</userinput> (não-limite de palavra)</term>
<listitem><para>Corresponde nos locais onde o <quote>\b</quote> não faz correspondência.</para>
<para>Isto significa que ele irá fazer correspondência, por exemplo, dentro de palavras. A expressão <userinput>\Bem\B</userinput> irá corresponder a <quote>sempre</quote> mas não a <quote>cem</quote> ou a <quote>Estou em casa</quote>.</para>
<listitem><para>Uma verificação antecipada olha para a parte do texto a seguir a uma possível correspondência. A antecipação positiva irá evitar que o texto corresponda se o texto que se encontra a seguir a possível correspondência não corresponder ao <emphasis>PADRÃO</emphasis> da verificação; o texto correspondente não será incluído no resultado.</para>
<para>A expressão <userinput>utilizar(?=\w)</userinput> irá corresponder a <quote>utilizar</quote> em <quote>utilizarei</quote>, mas não irá corresponder com <quote>Não vou utilizar!</quote></para>
<listitem><para>A antevisão negativa evita que uma possível correspondência seja extraída, se a parte subsequente ao texto procurado corresponder ao <emphasis>PADRÃO</emphasis>.</para>
<para>A expressão <userinput>const \w+\b(?!\s*&)</userinput> irá corresponder com o <quote>const char</quote> do texto <quote>const char* ola</quote>, embora não corresponderá a <quote>const TQString</quote> em <quote>const TQString& bar</quote> porque o <quote>&</quote> corresponde ao padrão de verificação antecipada negativa.</para>
