103.7 Lição 1

Existe outro tipo de átomo denominado expressão de colchetes. Embora não sejam um único caractere, os colchetes [] (incluindo o conteúdo) são considerados um único átomo. Uma expressão de colchetes geralmente é apenas uma lista de caracteres literais delimitados por [], fazendo com que o átomo corresponda a qualquer caractere único da lista. Por exemplo, a expressão [1b] pode ser encontrada nas strings abcd e a1cd. Para especificar caracteres aos quais o átomo não deve corresponder, a lista deve começar com ^, como em [^1b]. Também é possível especificar intervalos de caracteres em expressões de colchetes. Por exemplo, [0−9] corresponde aos dígitos de 0 a 9 e [a−z] corresponde a qualquer letra minúscula. Os intervalos devem ser usados com cuidado, pois podem não ser consistentes em diferentes idiomas.

As listas de expressão de colchetes também aceitam classes em vez de apenas caracteres únicos e intervalos. As classes de caracteres tradicionais são:

As classes de caracteres podem ser combinadas com caracteres únicos e intervalos, mas não podem ser usadas como ponto final de um intervalo. Além disso, as classes de caracteres podem ser usadas apenas em expressões de colchetes, não como um átomo independente fora dos colchetes.

O alcance de um átomo, seja um átomo de caractere único ou um átomo de colchete, pode ser ajustado usando um quantificador de átomo. Os quantificadores de átomos definem seqüências de átomos, ou seja, as correspondências ocorrem quando uma repetição contígua para o átomo é encontrada na string. A substring que casa com a correspondência é chamada de peça. Não obstante, quantificadores e outros recursos de expressões regulares são tratados de maneira diferente dependendo do padrão que está sendo usado.

Conforme definido pelo POSIX, existem duas formas de expressões regulares: expressões regulares “básicas” e expressões regulares “estendidas”. A maioria dos programas que trabalham com texto, em qualquer distribuição Linux convencional, oferece suporte a ambas as formas, por isso é importante conhecer as diferenças para evitar problemas de compatibilidade e escolher a implementação mais adequada para a tarefa em questão.

O quantificador * tem a mesma função em ERs básicas e estendidas (o átomo ocorre zero ou mais vezes) e é um caractere literal se aparecer no início da expressão regular ou se for precedido por uma barra invertida \. O quantificador de sinal de mais ` seleciona as peças que contêm uma ou mais correspondências de átomos em sequência. Com o quantificador de ponto de interrogação `?`, a correspondência ocorrerá se o átomo correspondente aparecer uma vez ou se não aparecer. Se precedido por uma barra invertida `\`, seu significado especial não é considerado. As expressões regulares básicas também suportam os quantificadores ` e ?, mas eles precisam ser precedidos por uma barra invertida. Ao contrário das expressões regulares estendidas, + e ? sozinhos são caracteres literais em expressões regulares básicas.

As chaves são quantificadores que permitem ao usuário especificar limites precisos de quantidade para um átomo. Em expressões regulares estendidas, as chaves podem aparecer de três maneiras:

De toda forma, se uma substring corresponder a uma expressão regular e uma substring mais longa começando no mesmo ponto também corresponder, a substring mais longa será considerada.

As expressões regulares básicas também suportam chaves, mas elas devem ser precedidas por \: \{ e \}. Sozinhas, { e } são interpretadas como caracteres literais. Uma \{ seguida por um caractere diferente de um dígito é um caractere literal, não uma abertura de chave.

As expressões regulares básicas também diferem das expressões regulares estendidas em outro aspecto importante: uma expressão regular estendida pode ser dividida em alternâncias (branches), sendo cada uma delas uma expressão regular independente. As alternativas são separadas por | e a expressão regular combinada corresponderá a qualquer coisa que corresponda a qualquer uma das alternativas. Por exemplo, he|him irá corresponder se a substring he ou a substring him forem encontradas na string que está sendo examinada. As expressões regulares básicas interpretam | como um caractere literal. No entanto, a maioria dos programas que suportam expressões regulares básicas permitem alternâncias com \|.

Uma expressão regular estendida entre () pode ser usada em um agrupamento (back reference). Por exemplo, ([[:digit:]])\1 corresponde a qualquer expressão regular que se repita pelo menos uma vez, porque o \1 na expressão é o agrupamento da peça encontrada pela primeira subexpressão entre parênteses. Se houver mais de uma subexpressão entre parênteses na expressão regular, elas podem ser referenciadas com \2, \3 e assim por diante.

Para ERs básicas, as subexpressões devem ser colocadas entre \( e \), sendo ( and ) sozinhos caracteres comuns. O indicador de agrupamento é usado como nas expressões regulares estendidas.

A vantagem imediata oferecida pelas expressões regulares é aprimorar as pesquisas em sistemas de arquivos e em documentos de texto. A opção -regex do comando find permite testar cada caminho em uma hierarquia de diretórios de acordo com uma expressão regular. Por exemplo,

busca por arquivos maiores que 100 megabytes (100 unidades de 1048576 bytes), mas apenas em caminhos dentro do diretório inicial do usuário que contenham uma correspondência com .*/\..*, ou seja, um /. rodeado por qualquer outro número de caracteres. Em outras palavras, apenas os arquivos ocultos ou arquivos dentro de diretórios ocultos serão listados, independentemente da posição de /. no caminho correspondente. Para expressões regulares que não diferenciam maiúsculas de minúsculas, a opção -iregex deve ser usada em seu lugar:

Neste exemplo, a expressão regular contém alternâncias (escritas no estilo estendido) para listar apenas arquivos de fonte específicos na hierarquia de diretório /usr/share/fonts. Expressões regulares estendidas não são suportadas por padrão, mas find permite que sejam habilitadas com -regextype posix-extended or -regextype egrep. A ER padrão para find é findutils-default, que é essencialmente um clone da expressão regular básica.

Freqüentemente, é necessário passar a saída de um programa para o comando less quando ele não cabe na tela. O comando less divide a entrada em páginas, uma tela de cada vez, permitindo ao usuário navegar facilmente pelo texto para cima e para baixo. Além disso, less também permite que um usuário execute pesquisas baseadas em expressões regulares. Este recurso é notavelmente importante porque less é o paginador padrão usado para muitas tarefas diárias, como inspecionar entradas de diário ou consultar páginas de manual. Ao ler uma página de manual, por exemplo, pressionar a tecla / abre um prompt de pesquisa. Esse é um cenário típico em que as expressões regulares são úteis, pois as opções do comando são listadas logo após a margem da página no layout geral da página do manual. No entanto, a mesma opção pode aparecer muitas vezes no texto, inviabilizando as buscas literais. Independentemente disso, digitar ^[[:blank:]]*-o — ou, mais simplesmente: ^ *-o — no prompt de pesquisa permite pular imediatamente para a opção da seção -o (se existente) após pressionar Enter, permitindo assim consultar mais rapidamente uma descrição da opção.