php/archived-doc-pt-br
1
0
Fork 0
mirror of https://github.com/php/doc-pt_br.git synced 2026-03-24 07:02:09 +01:00
Code Issues Packages Projects Releases Wiki Activity
Files
master
archived-doc-pt-br/reference/pcre/pattern.syntax.xml
Leonardo Lara Rodrigues 9846b0ea37 sync with en rev
2025-08-27 08:53:32 -03:00

2417 lines
100 KiB
XML
Raw Permalink Blame History

<?xml version="1.0" encoding="utf-8"?>
<!-- EN-Revision: a0434e05111acabf2b9b2c7847e7e733f8dab0dc Maintainer: leonardolara Status: ready --><!-- CREDITS: leonardolara -->
<!-- splitted from ./en/functions/pcre.xml, last change in rev 1.2 -->
<chapter xml:id="reference.pcre.pattern.syntax" xmlns="http://docbook.org/ns/docbook" xmlns:xlink="http://www.w3.org/1999/xlink">
<title>Sintaxe de Expressões</title>
<titleabbrev>Sintaxe das expressões regulares PCRE</titleabbrev>
<section xml:id="regexp.introduction">
<title>Introdução</title>
<para>
A sintaxe e a semântica das expressões regulares
suportadas pelo PCRE estão descritas nesta seção. Expressões regulares também
estão descritas na documentação Perl e em vários
outros livros, alguns dos quais possuem exemplos abundantes. "Dominando
Expressões Regulares" de Jeffrey Friedl, publicado pela
O'Reilly e Editora Alta Books (ISBN 978-85-7608-394-8), cobre-as com riqueza de detalhe.
A descrição aqui serve como documentação de referência.
</para>
<para>
Uma expressão regular é um padrão que corresponde a uma
string de entrada da esquerda para a direita. Na maior parte das vezes, um caractere representa
a si mesmo em uma expressão e casa com o caractere
correspondente na string de entrada. Como um exemplo trivial, a expressão
<literal>The quick brown fox</literal>
casa com uma parte de uma string de entrada que é idêntica a
si mesma.
</para>
</section>
<section xml:id="regexp.reference.delimiters">
<title>Delimitadores</title>
<para>
Ao usar as funções PCRE, é necessário que a expressão esteja entre
<emphasis>delimitadores</emphasis>. Um delimitador pode ser qualquer caractere
não alfanumérico que não seja uma barra invertida e que não corresponda a um espaço em branco.
Espaços em branco antes de um delimitador válido são silenciosamente ignorados.
</para>
<para>
Delimitadores comumente usados são barras (<literal>/</literal>), cerquilhas
(<literal>#</literal>) e til (<literal>~</literal>). Os exemplos
a seguir são padrões com delimitadores válidos.
<informalexample>
<programlisting>
<![CDATA[
/foo bar/
#^[^0-9]$#
+php+
%[a-zA-Z0-9_-]%
]]>
</programlisting>
</informalexample>
</para>
<para>
Também é possível usar delimitadores
no estilo parênteses, onde os delimitadores inicial e final são
os caracteres de abertura e fechamento, respectivamente. <literal>()</literal>,
<literal>{}</literal>, <literal>[]</literal> e <literal>&lt;&gt;</literal>
são todos pares válidos de delimitadores nesse estilo.
<informalexample>
<programlisting>
<![CDATA[
(esta [é] uma (expressão))
{esta [é] uma (expressão)}
[esta [é] uma (expressão)]
<esta [é] uma (expressão)>
]]>
</programlisting>
</informalexample>
Delimitadores no estilo parênteses não precisam ser escapados quando são usados como
metacaracteres dentro da expressão, mas como acontece com outros delimitadores, eles precisam
ser escapados quando são usados como caracteres literais.
</para>
<para>
Se o delimitador precisa ser correspondido dentro da expressão, ele precisa ser
escapado usando uma barra invertida. Se o delimitador aparece com muita frequência dentro da
expressão, é uma boa ideia escolher um delimitador diferente para melhorar
a legibilidade.
<informalexample>
<programlisting>
<![CDATA[
/http:\/\//
#http://#
]]>
</programlisting>
</informalexample>
A função <function>preg_quote</function> pode ser usada para escapar uma string
a ser injetada em uma expressão e seu segundo parâmetro opcional pode ser usado
para especificar o delimitador a ser escapado.
</para>
<para>
Pode-se adicionar <link linkend="reference.pcre.pattern.modifiers">modificadores
de expressão</link> após o delimitador final. Este é um exemplo
de correspondência insensível a maiúsculas/minúsculas usando o modificador "i":
<informalexample>
<programlisting>
<![CDATA[
#[a-z]#i
]]>
</programlisting>
</informalexample>
</para>
</section>
<section xml:id="regexp.reference.meta">
<title>Metacaracteres</title>
<para>
O poder das expressões regulares vem da
habilidade de incluir alternativas e repetições na
expressão. Elas são codificadas na expressão pelo uso de
<emphasis>metacaracteres</emphasis>, que não representam a si mesmos mas ao invés disso
são interpretados de um modo especial.
</para>
<para>
Existem dois conjuntos diferentes de metacaracteres: aqueles que
são reconhecidos em qualquer lugar na expressão exceto quando estão dentro de
colchetes, e aqueles que são reconhecidos dentro de colchetes.
Fora de colchetes, os metacaracteres são:
<table>
<title>Metacaracteres fora de colchetes</title>
<tgroup cols="2">
<thead>
<row>
<entry>Metacaractere</entry><entry>Descrição</entry>
</row>
</thead>
<tbody>
<row>
<entry>\</entry><entry>caractere de escape geral com vários usos</entry>
</row>
<row>
<entry>^</entry><entry>declara início da string (ou da linha, em modo multi-linhas)</entry>
</row>
<row>
<entry>$</entry><entry>declara o final da string ou posição antes de um caractere de nova linha (ou
final da linha, em modo multi-linhas)</entry>
</row>
<row>
<entry>.</entry><entry>corresponde a qualquer caractere exceto nova linha (por padrão)</entry>
</row>
<row>
<entry>[</entry><entry>inicia definição de classe de caractere</entry>
</row>
<row>
<entry>]</entry><entry>termina definição de classe de caractere</entry>
</row>
<row>
<entry>|</entry><entry>início de ramo alternativo</entry>
</row>
<row>
<entry>(</entry><entry>início de sub-expressão</entry>
</row>
<row>
<entry>)</entry><entry>fim de sub-expressão</entry>
</row>
<row>
<entry>?</entry><entry>estende o significado de (, também significa quantificador 0 ou 1, e também torna preguiçosos
os quantificadores gananciosos (consulte <link linkend="regexp.reference.repetition">repetição</link>)</entry>
</row>
<row>
<entry>*</entry><entry>quantificador de 0 ou mais</entry>
</row>
<row>
<entry>+</entry><entry>quantificador de 1 ou mais</entry>
</row>
<row>
<entry>{</entry><entry>inicia quantificador de mínimo/máximo</entry>
</row>
<row>
<entry>}</entry><entry>termina quantificador de mínimo/máximo</entry>
</row>
</tbody>
</tgroup>
</table>
A parte de uma expressão dentro de colchetes é chamada de
<link linkend="regexp.reference.character-classes">classe de caractere</link>. Em uma classe de caractere os únicos
metacaracteres são:
<table>
<title>Metacaracteres dentro de colchetes (<emphasis>classes de caracteres</emphasis>)</title>
<tgroup cols="2">
<thead>
<row>
<entry>Metacaractere</entry><entry>Descrição</entry>
</row>
</thead>
<tbody>
<row>
<entry>\</entry><entry>caractere de escape geral</entry>
</row>
<row>
<entry>^</entry><entry>nega a classe, mas apenas se for o primeiro caractere</entry>
</row>
<row>
<entry>-</entry><entry>indica a faixa de caracteres</entry>
</row>
</tbody>
</tgroup>
</table>
As seções a seguir descrevem o uso de cada um dos
metacaracteres.
</para>
</section>
<section xml:id="regexp.reference.escape">
<title>Sequências de escape</title>
<para>
A barra invertida tem vários usos. Primeiramente, se ela for
seguida por um caractere não alfanumérico, ela remove qualquer
significado especial que este caractere possa ter. Este uso da
barra invertida como um caractere de escape se aplica tanto dentro
quanto fora de classes de caracteres.
</para>
<para>
Por exemplo, se a intenção é casar com um caractere "*", deve-se escrever
"\*" na expressão. Isto é aplicável mesmo que o
próximo caractere pudesse ser interpretado como um
metacaractere, por isso é sempre seguro preceder um caractere não alfanumérico
com "\" para especificar que ele irá representar a si mesmo. Em
particular, se a intenção for casar com uma barra invertida, deve-se escrever "\\".
</para>
<note>
<para>
<link
linkend="language.types.string.syntax">strings</link> do PHP com aspas simples e aspas duplas têm significado
especial para a barra invertida. Assim, se \ precisa corresponder a uma expressão
regular \\, então "\\\\" ou '\\\\' precisam ser usadas no código PHP.
</para>
</note>
<para>
Se uma expressão for compilada com a opção
<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>,
espaços em branco na expressão (que não estejam em uma classe de caracteres) e
caracteres entre um "#" fora de uma classe de caracteres e o próximo caractere de
nova linha são ignorados. Uma barra invertida de escape pode ser usada para incluir um
espaço ou um caractere "#" como parte da expressão.
</para>
<para>
Um segundo uso da barra invertida fornece um meio de codificar
caracteres não imprimíveis de uma maneira visível. Não há
restrição para presença de caracteres não imprimíveis,
exceto pelo zero binário que termina uma expressão,
mas quando uma expressão está sendo preparada durante a edição de texto, normalmente
é mais fácil usar uma das sequências de escape a seguir do que
usar o caractere binário que ela representa:
</para>
<para>
<variablelist>
<varlistentry>
<term><emphasis>\a</emphasis></term>
<listitem>
<simpara>sinal sonoro, isto é, o caracater BEL (hexa 07)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\cx</emphasis></term>
<listitem>
<simpara>"Crtl-x", onde x é qualquer caractere</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\e</emphasis></term>
<listitem>
<simpara>escape (hexa 1B)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\f</emphasis></term>
<listitem>
<simpara>alimentação de formulário (hexa 0C)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\n</emphasis></term>
<listitem>
<simpara>nova linha (hexa 0A)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\p{xx}</emphasis></term>
<listitem>
<simpara>
um caractere com a propriedade xx, veja
<link linkend="regexp.reference.unicode">propriedades Unicode</link>
para mais informação
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\P{xx}</emphasis></term>
<listitem>
<simpara>
um caractere sem a propriedade xx, veja
<link linkend="regexp.reference.unicode">propriedades Unicode</link>
para mais informação
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\r</emphasis></term>
<listitem>
<simpara>retorno de carro (hexa 0D)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\R</emphasis></term>
<listitem>
<simpara>quebra de linha: corresponde a \n, \r e \r\n</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\t</emphasis></term>
<listitem>
<simpara>tabulação (hexa 09)</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\xhh</emphasis></term>
<listitem>
<simpara>
caractere com o código hexadecimal hh
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\ddd</emphasis></term>
<listitem>
<simpara>caractere com o código octal ddd, ou referência retroativa</simpara>
</listitem>
</varlistentry>
</variablelist>
</para>
<para>
O efeito preciso de "<literal>\cx</literal>" é o seguinte:
se "<literal>x</literal>" for uma letra minúscula, ela é convertida
para maiúscula. Depois, o bit 6 do caractere (hexa 40) é invertido.
Portanto, "<literal>\cz</literal>" se torna hexa 1A, mas
"<literal>\c{</literal>" se torna hexa 3B, enquanto que "<literal>\c;</literal>"
se torna hexa 7B.
</para>
<para>
Depois de "<literal>\x</literal>", até dois dígitos hexadecimais são
lidos (letras podem ser minúsculas ou maiúsculas).
No <emphasis>modo UTF-8</emphasis>, "<literal>\x{...}</literal>" é
permitido, onde o conteúdo entre chaves é uma string de dígitos
hexadecimais. É interpretado como um caractere UTF-8 cujo número de código é
o número hexadecimal informado. A sequência de escape hexadecimal original,
<literal>\xhh</literal>, corresponde a um caractere UTF-8 de dois bytes se o valor
for maior que 127.
</para>
<para>
Depois de "<literal>\0</literal>" até dois dígitos octais adicionais são lidos.
Em ambos os casos, se eles forem menos que dois, apenas os presentes
são usados. Assim, a sequência "<literal>\0\x\07</literal>"
especifica dois zeros binários seguidos por um caractere BEL. Certifique-se de
fornecer dois dígitos depois do zero inicial se o caractere
seguinte for, por acaso, um dígito octal.
</para>
<para>
A interpretação de uma barra invertida seguida por um dígito que não seja 0
é complicada. Fora de uma classe de caracteres, o PCRE lê este dígito
e os seguintes como um número decimal. Se o número
for menor que 10, ou se houve pelo menos esta quantidade
de grupos em parênteses na expressão, a
sequência inteira é interpretada como uma <emphasis>referência retroativa</emphasis>. Uma descrição
de como isto funciona é fornecida mais abaixo, logo após a discussão
sobre sub-expressões entre parênteses.
</para>
<para>
Dentro de uma classe de caracteres, ou se o número decimal for
maior que 9 e não houve essa quantidade de sub-expressões
de captura, o PCRE lê novamente até três dígitos octais depois da
barra invertida, e gera um único byte a partir dos
8 bits menos significativos do valor. Quaisquer dígitos subsequentes
representam a si mesmos. Por exemplo:
</para>
<para>
<variablelist>
<varlistentry>
<term><emphasis>\040</emphasis></term>
<listitem><simpara>é uma outra forma de escrever um espaço em branco (decimal 32)</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\40</emphasis></term>
<listitem>
<simpara>
é a mesma coisa, desde que haja menos que 40
sub-expressões de captura
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\7</emphasis></term>
<listitem><simpara>é sempre uma referência retroativa</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\11</emphasis></term>
<listitem>
<simpara>
pode ser uma referência retroativa, ou outra forma de
escrever uma tabulação (decimal 9)
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\011</emphasis></term>
<listitem><simpara>é sempre uma tabulação (decimal 9)</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\0113</emphasis></term>
<listitem><simpara>é uma tabulação seguida pelo caractere "3"</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\113</emphasis></term>
<listitem>
<simpara>
é o caractere com o código octal 113 (decimal 75), já que
não pode haver mais que 99 referências retroativas
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\377</emphasis></term>
<listitem><simpara>é um byte que consiste inteiramente de bits com o valor 1 (decimal 255)</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\81</emphasis></term>
<listitem>
<simpara>
pode ser uma referência retroativa, ou um zero binário
seguido pelos caracteres "8" e "1"
</simpara>
</listitem>
</varlistentry>
</variablelist>
</para>
<para>
Observe que valores octais de 100 ou maiores não podem ser
introduzidos com um zero na frente, porque não mais que três
dígitos octais são lidos no total.
</para>
<para>
Todas as sequências que definem um valor de byte único podem ser
usadas tanto dentro quanto fora de classes de caracteres. Além disso,
dentro de uma classe de caracteres, a sequência "<literal>\b</literal>"
é interpretada como o caractere "backspace" (hexa 08). Fora de uma classe de
caracteres ela tem um significado diferente (veja abaixo).
</para>
<para>
O terceiro uso da barra invertida é para especificar tipos
genéricos de caracteres:
</para>
<para>
<variablelist>
<varlistentry>
<term><emphasis>\d</emphasis></term>
<listitem><simpara>qualquer dígito decimal</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\D</emphasis></term>
<listitem><simpara>qualquer caractere que não seja um dígito decimal</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\h</emphasis></term>
<listitem><simpara>qualquer caractere de espaço em branco horizontal</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\H</emphasis></term>
<listitem><simpara>qualquer caractere que não seja um espaço em branco horizontal</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\s</emphasis></term>
<listitem><simpara>qualquer caractere que represente um espaço em branco</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\S</emphasis></term>
<listitem><simpara>qualquer caractere que não represente um espaço em branco</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\v</emphasis></term>
<listitem><simpara>qualquer caractere de espaço em branco vertical</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\V</emphasis></term>
<listitem><simpara>qualquer caractere que não seja um espaço em branco vertical</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\w</emphasis></term>
<listitem><simpara>qualquer caractere de uma "palavra"</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\W</emphasis></term>
<listitem><simpara>qualquer caractere que não seja de uma "palavra"</simpara></listitem>
</varlistentry>
</variablelist>
</para>
<para>
Cada par de sequência de escape particiona o conjunto completo de
caracteres em dois conjuntos desconexos. Cada caractere informado
corresponde a um, e apenas um, de cada par.
</para>
<para>
Os caracteres que representam um espaço em branco horizontal são tabulação horizontal (9), nova linha (10), alimentação de formulário (12), retorno de carro (13),
e espaço (32). No entanto, em casos de correspondências específicas de localidade,
caracteres com pontos de código na faixa de 128 a 255 podem também ser considerados
como caracteres de espaço em branco, por exemplo, NBSP (A0).
</para>
<para>
Uma caractere de uma "palavra" é qualquer letra ou dígito ou o caractere
de sublinhado "_", isto é, qualquer caractere que possa fazer parte de uma
"<emphasis>palavra</emphasis>" em Perl. A definição de letras e dígitos é
controlada pelas tabelas de caracteres do PCRE, e pode varia se correspondências específicas
de localidade estiverem ocorrendo. Por exemplo, na localidade "pt-BR" (português do Brasil), alguns
códigos de caracteres maiores que 127 são usados para letras acentuadas,
e estes são correspondidos por <literal>\w</literal>.
</para>
<para>
Estas sequências de tipo de caracteres podem aparecer tanto dentro como
fora de classes de caracteres. Cada uma corresponde a um caracteres do
tipo apropriado. Se o ponto de correspondência atual estiver no
final da string de entrada, todos eles irão falhar, já que não
haverá caractere para correspondência.
</para>
<para>
O quarto uso da barra invertida é para certas afirmações
simples. Uma afirmação especifica uma condição que deve ser encontrada
em um ponto particular de uma correspondência, sem consumir nenhum
caractere da string de entrada. O uso de sub-expressões
para afirmações mais complicadas é descrito abaixo. As
afirmaçõs que usam barra invertida são:
</para>
<para>
<variablelist>
<varlistentry>
<term><emphasis>\b</emphasis></term>
<listitem><simpara>borda de palavra</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\B</emphasis></term>
<listitem><simpara>não é borda de palavra</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\A</emphasis></term>
<listitem><simpara>início da string de entrada (independente do modo multi-linhas)</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\Z</emphasis></term>
<listitem>
<simpara>
final da string de entrada ou caractere de nova linha no final (independente do
modo multi-linhas)
</simpara>
</listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\z</emphasis></term>
<listitem><simpara>final da string de entrada (independente do modo multi-linhas)</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\G</emphasis></term>
<listitem><simpara>primeira posição de correspondência na string de entrada</simpara></listitem>
</varlistentry>
</variablelist>
</para>
<para>
Estas afirmações podem não aparecer em classes de caracteres (mas
observe que "<literal>\b</literal>" tem um significado diferente, que é o caractere
de "backspace" dentro de uma classe de caracteres).
</para>
<para>
Uma borda de palavra é uma posição na string de entrada onde
nem o caractere atual nem o caractere anterior
correspondem a <literal>\w</literal> ou <literal>\W</literal> ao mesmo tempo (isto é, um deles corresponde a
<literal>\w</literal> e o outro corresponde a
<literal>\W</literal>), ou o início ou final da string se o primeiro
ou último caractere corresponder a <literal>\w</literal>, respectivamente.
</para>
<para>
As afirmações <literal>\A</literal>, <literal>\Z</literal> e
<literal>\z</literal> diferem dos tradicionais
circunflexo "^" e cifrão "$" (descritos em <link linkend="regexp.reference.anchors">âncoras</link> )
porque elas somente são correspondidas exatamente no início e no final da string de entrada,
não importa que opções estão definidas. Elas não são afetada pelas opções
<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link> ou
<link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>.
A diferença entre <literal>\Z</literal> e
<literal>\z</literal> é que <literal>\Z</literal> corresponde antes de um caractere de
nova linha que é o último caractere da string e também no final da
string, enquanto que <literal>\z</literal> corresponde apenas no final.
</para>
<para>
A afirmação <literal>\G</literal> é verdadeira somente quando a posição
de correspondência atual é no ponto inicial da corresponência, como especificado pelo
argumento <parameter>offset</parameter> da função
<function>preg_match</function>. Ela difere de <literal>\A</literal>
quando o valor de <parameter>offset</parameter> é não-zero.
</para>
<para>
<literal>\Q</literal> e <literal>\E</literal> podem ser usadas para ignorar
metacaracteres na expressão. Por exemplo:
<literal>\w+\Q.$.\E$</literal> irão corresponder a um ou mais caracteres de palavras,
seguidos pelos literais <literal>.$.</literal> e ancorados no final da
string. Observe que isto não muda o comportamento dos
delimitadores; por exemplo, a expressão <literal>#\Q#\E#$</literal>
não é válida, porque o segundo <literal>#</literal> marca o final
da expressão, e o <literal>\E#</literal> é interpretado como modificador
inválido.
</para>
<para>
<literal>\K</literal> pode ser usado para redefinir o início da correspondência.
Por exemplo, a expressão <literal>foo\Kbar</literal> corresponde a
"foobar", mas reporta que correspondeu a "bar". O uso de
<literal>\K</literal> não interfere com a configuração de substrings
capturadas. Por exemplo, quando a expressão <literal>(foo)\Kbar</literal>
corresponde a "foobar", a primeira substring ainda será definida como "foo".
</para>
</section>
<section xml:id="regexp.reference.unicode">
<title>Propriedades de caracteres Unicode</title>
<para>
Desde a versão 5.1.0, três
sequências de escape adicionais para corresponder a tipo de caracteres genéricos estão disponíveis
quando o <emphasis>modo UTF-8</emphasis> é selecionado. Elas são:
</para>
<variablelist>
<varlistentry>
<term><emphasis>\p{xx}</emphasis></term>
<listitem><simpara>um caractere com a propriedade xx</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\P{xx}</emphasis></term>
<listitem><simpara>um caractere sem a propriedade xx</simpara></listitem>
</varlistentry>
<varlistentry>
<term><emphasis>\X</emphasis></term>
<listitem><simpara>uma sequência Unicode estendida</simpara></listitem>
</varlistentry>
</variablelist>
<para>
Os nomes de propriedade representados por <literal>xx</literal> acima são limitados
às propriedades de categoria geral do Unicode. Cada caractere tem exatamente uma
propriedade deste tipo, especificada por uma abreviação de duas letras. Para compatibilidade com
o Perl, uma negação pode ser especificada incluindo um circunflexo "^" entre a
chave de abertura e o nome da propriedade. Por exemplo, <literal>\p{^Lu}</literal>
é o mesmo que <literal>\P{Lu}</literal>.
</para>
<para>
Se somente uma letra for especificada com <literal>\p</literal> ou
<literal>\P</literal>, serão incluídas todas as propriedades que iniciam com
essa letra. Neste caso, na ausência de negação, as chaves na
sequência de escape são opcionais; estes dois exemplos têm o mesmo efeito:
</para>
<informalexample>
<programlisting>
<![CDATA[
\p{L}
\pL
]]>
</programlisting>
</informalexample>
<table>
<title>Códigos de propriedade suportados</title>
<tgroup cols="3">
<thead>
<row>
<entry>Propriedade</entry>
<entry>Correspondências</entry>
<entry>Observações</entry>
</row>
</thead>
<tbody>
<row>
<entry><literal>C</literal></entry>
<entry>Outro</entry>
<entry></entry>
</row>
<row>
<entry><literal>Cc</literal></entry>
<entry>Controle</entry>
<entry></entry>
</row>
<row>
<entry><literal>Cf</literal></entry>
<entry>Formato</entry>
<entry></entry>
</row>
<row>
<entry><literal>Cn</literal></entry>
<entry>Não atribuído</entry>
<entry></entry>
</row>
<row>
<entry><literal>Co</literal></entry>
<entry>Uso privado</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>Cs</literal></entry>
<entry>Substituto</entry>
<entry></entry>
</row>
<row>
<entry><literal>L</literal></entry>
<entry>Letra</entry>
<entry>
Inclui as seguintes propriedades: <literal>Ll</literal>,
<literal>Lm</literal>, <literal>Lo</literal>, <literal>Lt</literal> e
<literal>Lu</literal>.
</entry>
</row>
<row>
<entry><literal>Ll</literal></entry>
<entry>Letra minúscula</entry>
<entry></entry>
</row>
<row>
<entry><literal>Lm</literal></entry>
<entry>Letra modificadora</entry>
<entry></entry>
</row>
<row>
<entry><literal>Lo</literal></entry>
<entry>Outra letra</entry>
<entry></entry>
</row>
<row>
<entry><literal>Lt</literal></entry>
<entry>Letra de título</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>Lu</literal></entry>
<entry>Letra maiúscula</entry>
<entry></entry>
</row>
<row>
<entry><literal>M</literal></entry>
<entry>Marca</entry>
<entry></entry>
</row>
<row>
<entry><literal>Mc</literal></entry>
<entry>Marca especial</entry>
<entry></entry>
</row>
<row>
<entry><literal>Me</literal></entry>
<entry>Marca de envolvimento</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>Mn</literal></entry>
<entry>Marca de largura zero</entry>
<entry></entry>
</row>
<row>
<entry><literal>N</literal></entry>
<entry>Número</entry>
<entry></entry>
</row>
<row>
<entry><literal>Nd</literal></entry>
<entry>Número decimal</entry>
<entry></entry>
</row>
<row>
<entry><literal>Nl</literal></entry>
<entry>Letra numérica</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>No</literal></entry>
<entry>Outro número</entry>
<entry></entry>
</row>
<row>
<entry><literal>P</literal></entry>
<entry>Pontuação</entry>
<entry></entry>
</row>
<row>
<entry><literal>Pc</literal></entry>
<entry>Pontuação de conexão</entry>
<entry></entry>
</row>
<row>
<entry><literal>Pd</literal></entry>
<entry>Pontuação de traço</entry>
<entry></entry>
</row>
<row>
<entry><literal>Pe</literal></entry>
<entry>Pontuação de fechamento</entry>
<entry></entry>
</row>
<row>
<entry><literal>Pf</literal></entry>
<entry>Pontuação final</entry>
<entry></entry>
</row>
<row>
<entry><literal>Pi</literal></entry>
<entry>Pontuação inicial</entry>
<entry></entry>
</row>
<row>
<entry><literal>Po</literal></entry>
<entry>Outra pontuação</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>Ps</literal></entry>
<entry>Pontuação aberta</entry>
<entry></entry>
</row>
<row>
<entry><literal>S</literal></entry>
<entry>Símbolo</entry>
<entry></entry>
</row>
<row>
<entry><literal>Sc</literal></entry>
<entry>Símbolo de moeda</entry>
<entry></entry>
</row>
<row>
<entry><literal>Sk</literal></entry>
<entry>Símbolo modificador</entry>
<entry></entry>
</row>
<row>
<entry><literal>Sm</literal></entry>
<entry>Símbolo matemático</entry>
<entry></entry>
</row>
<row rowsep="1">
<entry><literal>So</literal></entry>
<entry>Outro símbolo</entry>
<entry>Inclui emojis</entry>
</row>
<row>
<entry><literal>Z</literal></entry>
<entry>Separador</entry>
<entry></entry>
</row>
<row>
<entry><literal>Zl</literal></entry>
<entry>Separador de linha</entry>
<entry></entry>
</row>
<row>
<entry><literal>Zp</literal></entry>
<entry>Separador de parágrafo</entry>
<entry></entry>
</row>
<row>
<entry><literal>Zs</literal></entry>
<entry>Separador de espaço</entry>
<entry></entry>
</row>
</tbody>
</tgroup>
</table>
<para>
Propriedades estendidas tais como <literal>InMusicalSymbols</literal> (símbolos musicais) não são
suportadas pelo PCRE.
</para>
<para>
Especificar correspondência insensível a maiúsculas/minúsculas não afeta estas sequências de escape.
Por exemplo, <literal>\p{Lu}</literal> sempre irá corresponder somente a letras maiúsculas.
</para>
<para>
Conjuntos de caracteres Unicode são definidos como pertencentes a certos tipos de escrita (ou tipo de alfabeto). Um
caractere de um destes conjuntos pode ser correspondido usando um nome de tipo de escrita. Por
exemplo:
</para>
<itemizedlist>
<listitem>
<simpara><literal>\p{Greek}</literal></simpara>
</listitem>
<listitem>
<simpara><literal>\P{Han}</literal></simpara>
</listitem>
</itemizedlist>
<para>
Aqueles que não são parte de um tipo de escrita identificado são agrupados como
<literal>Common</literal> (comuns). A lista atual de tipos de escrita é:
</para>
<table>
<title>Tipos de escrita suportados (nomes em inglês)</title>
<tgroup cols="5">
<tbody>
<row>
<entry><literal>Arabic</literal></entry>
<entry><literal>Armenian</literal></entry>
<entry><literal>Avestan</literal></entry>
<entry><literal>Balinese</literal></entry>
<entry><literal>Bamum</literal></entry>
</row>
<row>
<entry><literal>Batak</literal></entry>
<entry><literal>Bengali</literal></entry>
<entry><literal>Bopomofo</literal></entry>
<entry><literal>Brahmi</literal></entry>
<entry><literal>Braille</literal></entry>
</row>
<row>
<entry><literal>Buginese</literal></entry>
<entry><literal>Buhid</literal></entry>
<entry><literal>Canadian_Aboriginal</literal></entry>
<entry><literal>Carian</literal></entry>
<entry><literal>Chakma</literal></entry>
</row>
<row>
<entry><literal>Cham</literal></entry>
<entry><literal>Cherokee</literal></entry>
<entry><literal>Common</literal></entry>
<entry><literal>Coptic</literal></entry>
<entry><literal>Cuneiform</literal></entry>
</row>
<row>
<entry><literal>Cypriot</literal></entry>
<entry><literal>Cyrillic</literal></entry>
<entry><literal>Deseret</literal></entry>
<entry><literal>Devanagari</literal></entry>
<entry><literal>Egyptian_Hieroglyphs</literal></entry>
</row>
<row>
<entry><literal>Ethiopic</literal></entry>
<entry><literal>Georgian</literal></entry>
<entry><literal>Glagolitic</literal></entry>
<entry><literal>Gothic</literal></entry>
<entry><literal>Greek</literal></entry>
</row>
<row>
<entry><literal>Gujarati</literal></entry>
<entry><literal>Gurmukhi</literal></entry>
<entry><literal>Han</literal></entry>
<entry><literal>Hangul</literal></entry>
<entry><literal>Hanunoo</literal></entry>
</row>
<row>
<entry><literal>Hebrew</literal></entry>
<entry><literal>Hiragana</literal></entry>
<entry><literal>Imperial_Aramaic</literal></entry>
<entry><literal>Inherited</literal></entry>
<entry><literal>Inscriptional_Pahlavi</literal></entry>
</row>
<row>
<entry><literal>Inscriptional_Parthian</literal></entry>
<entry><literal>Javanese</literal></entry>
<entry><literal>Kaithi</literal></entry>
<entry><literal>Kannada</literal></entry>
<entry><literal>Katakana</literal></entry>
</row>
<row>
<entry><literal>Kayah_Li</literal></entry>
<entry><literal>Kharoshthi</literal></entry>
<entry><literal>Khmer</literal></entry>
<entry><literal>Lao</literal></entry>
<entry><literal>Latin</literal></entry>
</row>
<row>
<entry><literal>Lepcha</literal></entry>
<entry><literal>Limbu</literal></entry>
<entry><literal>Linear_B</literal></entry>
<entry><literal>Lisu</literal></entry>
<entry><literal>Lycian</literal></entry>
</row>
<row>
<entry><literal>Lydian</literal></entry>
<entry><literal>Malayalam</literal></entry>
<entry><literal>Mandaic</literal></entry>
<entry><literal>Meetei_Mayek</literal></entry>
<entry><literal>Meroitic_Cursive</literal></entry>
</row>
<row>
<entry><literal>Meroitic_Hieroglyphs</literal></entry>
<entry><literal>Miao</literal></entry>
<entry><literal>Mongolian</literal></entry>
<entry><literal>Myanmar</literal></entry>
<entry><literal>New_Tai_Lue</literal></entry>
</row>
<row>
<entry><literal>Nko</literal></entry>
<entry><literal>Ogham</literal></entry>
<entry><literal>Old_Italic</literal></entry>
<entry><literal>Old_Persian</literal></entry>
<entry><literal>Old_South_Arabian</literal></entry>
</row>
<row>
<entry><literal>Old_Turkic</literal></entry>
<entry><literal>Ol_Chiki</literal></entry>
<entry><literal>Oriya</literal></entry>
<entry><literal>Osmanya</literal></entry>
<entry><literal>Phags_Pa</literal></entry>
</row>
<row>
<entry><literal>Phoenician</literal></entry>
<entry><literal>Rejang</literal></entry>
<entry><literal>Runic</literal></entry>
<entry><literal>Samaritan</literal></entry>
<entry><literal>Saurashtra</literal></entry>
</row>
<row>
<entry><literal>Sharada</literal></entry>
<entry><literal>Shavian</literal></entry>
<entry><literal>Sinhala</literal></entry>
<entry><literal>Sora_Sompeng</literal></entry>
<entry><literal>Sundanese</literal></entry>
</row>
<row>
<entry><literal>Syloti_Nagri</literal></entry>
<entry><literal>Syriac</literal></entry>
<entry><literal>Tagalog</literal></entry>
<entry><literal>Tagbanwa</literal></entry>
<entry><literal>Tai_Le</literal></entry>
</row>
<row>
<entry><literal>Tai_Tham</literal></entry>
<entry><literal>Tai_Viet</literal></entry>
<entry><literal>Takri</literal></entry>
<entry><literal>Tamil</literal></entry>
<entry><literal>Telugu</literal></entry>
</row>
<row>
<entry><literal>Thaana</literal></entry>
<entry><literal>Thai</literal></entry>
<entry><literal>Tibetan</literal></entry>
<entry><literal>Tifinagh</literal></entry>
<entry><literal>Ugaritic</literal></entry>
</row>
<row>
<entry><literal>Vai</literal></entry>
<entry><literal>Yi</literal></entry>
<entry />
<entry />
<entry />
</row>
</tbody>
</tgroup>
</table>
<para>
O escape <literal>\X</literal> corresponde a um agrupamento de grafema estendido
Unicode. Um agrupamento de grafema estendido consiste em um ou mais caracteres Unicode que
se combinam para formar um único glifo. Na verade, isso pode ser considerado como o
equivalente Unicode de <literal>.</literal>, já que irá corresponder a um
caractere composto, independente de quantos caracteres individuais são
realmente usados para gerá-lo.
</para>
<para>
Em versões do PCRE mais antigas que 8.32 (que corresponde às versões do PHP
antes da 5.4.14 que usavam a biblioteca PCRE interna), <literal>\X</literal>
é equivalente a <literal>(?>\PM\pM*)</literal>. Isto é, corresponde a
um caractere sem a propriedade de "marca", seguida por zero ou mais caracteres
com a propriedadede "marca", e trata a sequência como um grupo atômico (veja
abaixo). Caracteres com a propriedade de "marca" são tipicamente acentuações que
afetam o caractere precedente.
</para>
<para>
A correspondência de caracteres por propriedade Unicode não é rápida porque o PCRE precisa
pesquisar uma estrutura que contenha dados para mais que quinze mil
caracteres. É por isso que as sequências de escape tradicionais como
<literal>\d</literal> e <literal>\w</literal> não usam as propriedades Unicode
no PCRE.
</para>
</section>
<section xml:id="regexp.reference.anchors">
<title>Âncoras</title>
<para>
Fora de uma classe de caracteres, no modo padrão de correspondência, o
caractere de circunflexo (<literal>^</literal>) é uma afirmação que
é verdadeira somente se o ponto de correspondência atual estiver no início da
string de entrada. Dentro de uma classe de caracteres, o circunflexo (<literal>^</literal>)
tem um significado completamente diferente (veja abaixo).
</para>
<para>
O circunflexo (<literal>^</literal>) não precisa ser o primeiro caractere
da expressão se um número de alternativas estiver envolvido, mas
deve ser a primeira coisa em cada alternativa em que aparece
se a expressão acabar correspondendo a esse ramo. Se todas as alternativas
possíveis iniciarem com um circunflexo (<literal>^</literal>), isto é,
se a expressão for restringida a corresponder apenas ao início da string,
é dito que essa é uma expressão "ancorada". Também há outras
construções que podem fazer com que uma expressão seja ancorada.
</para>
<para>
Um caractere de cifrão (<literal>$</literal>) é uma afirmação que é
&true; somente se o ponto atual de correspondência estiver no final da string
de entrada, ou imediatamente antes de um caractere de nova linha que é o último
caractere na string (por padrão). Cifrão (<literal>$</literal>)
não precisa ser o último caractere da expressão se um número de
alternativas estiver envolvido, mas deve ser o último item em qualquer
ramo em que ele aparecer. O cifrão não tem nenhum significado especial em uma
classe de caracteres.
</para>
<para>
O significado do cifrão pode ser alterado de forma que ele corresponda apenas
ao final da string, configurando-se a opção
<link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>
no momento da compilação ou da correspondência. Isto não afeta a afirmação \Z.
</para>
<para>
Os significados dos caracteres circunflexo e cifrão são
alterados se a opção
<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>
estiver definida. Quando esse é o caso, eles irão corresponder imediatamente após e
imediatamente antes de um caractere "\n" interno, respectivamente, além de
corresponder ao início e ao final da string de entrada. Por exemplo, a
expressão /^abc$/ corresponde à string de entrada "def\nabc" em modo multi-linhas,
mas não em modo de linha única. Consequentemente, expressões que são ancoradas em modo
de linha única porque todos os ramos iniciam com "^" não são ancoradas em
modo multi-linhas. A opção
<link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>
é ignorada se
<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link> estiver
definida.
</para>
<para>
Observe que as sequências \A, \Z, e \z podem ser usadas para corresponder ao
início e ao final da string em ambos os modos e, se todos
os ramos de uma expressão iniciarem com \A, ela estará sempre ancorada,
independente se <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>
estiver definida ou não.
</para>
</section>
<section xml:id="regexp.reference.dot">
<title>Ponto</title>
<para>
Fora de uma classe de caracteres, um ponto na expressão corresponde a
qualquer caractere na string, incluindo os não
imprimíveis, mas não o caractere de nova linha (por padrão). Se a
opção <link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>
estiver definida, os pontos corresponderão aos caracteres de nova linha. A
manipulação do ponto é completamente independente da manipulação do
circunflexo e do cifrão, sendo que a única relação entre eles é que
ambos envolvem caracteres de nova linha. O ponto não tem nenhum significado especial
em uma classe de caracteres.
</para>
<para>
<emphasis>\C</emphasis> pode ser usada para corresponder a um único byte. Faz sentido
no <emphasis>modo UTF-8</emphasis> onde o ponto final corresponde ao
caractere inteiro que pode consistir de múltiplos bytes.
</para>
</section>
<section xml:id="regexp.reference.character-classes">
<title>Classes de caracteres</title>
<para>
Uma abertura de colchete introduz uma classe de caracteres,
terminada por um fechamento de colchete. Um colchete de
fechamento em si não é especial. Se um colchete de
fechamento for requerido como membro da classe, ele deve ser
o primeiro caractere na classe (após um circunflexo
inicial, se presente) ou escapado com uma barra invertida.
</para>
<para>
Uma classe de caracteres corresponde a um único caractere na string;
o caractere precisa estar no conjunto de caracteres definido pela
classe, a menos que o primeiro caractere na classe seja um
circunflexo, que nesse caso o caractere na string não pode estar no
conjunto definido pela classe. Se um circunflexo for
requerido como membro da classe, é preciso garantir que ele não seja o
primeiro caractere, ou que seja escapado com uma barra invertida.
</para>
<para>
Por exemplo, a classe de caracteres [aeiou] corresponde a qualquer vogal minúscula
sem acento, enquanto que [^aeiou] corresponde a qualquer caractere que não seja uma
vogal minúscula sem acento. Observe que um circunflexo é apenas uma
notação conveniente para especificar os caracteres que estão na
classe enumerando aqueles que não estão. Não é uma
afirmação: ela ainda consome um caractere da string
de entrada, e falha se o ponteiro atual estiver no final
da string.
</para>
<para>
Quando uma correspodência insensível a maiúsculas/minúsculas é definida, qualquer letra
em uma classe representa tanto a forma maiúscula quanto a
minúscula, então, por exemplo, uma classe [aeiou] insensível à forma corresponde tanto a "A"
quanto a "a", e uma classe [^aeiou] insensível à forma não corresponde a
"A", enquanto que um versão sensível à forma corresponderia.
</para>
<para>
Um caractere de nova linha nunca é tratado de modo especial em
classes de caractere, independente da configuração da opção <link
linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>
ou da opção <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>.
Uma classe como [^a] sempre corresponderá a uma nova linha.
</para>
<para>
O caractere hífen (sinal de subtração) pode ser usado para especificar uma faixa
de caracteres em uma classe. Por exemplo, [d-m]
corresponde a qualquer letra entre d e m, inclusive. Se um hífen
literal for requerido na classe, ele precisa ser escapado com uma
barra invertida ou aparecer em uma posição onde não possa ser
confundido com um indicador de faixa, tipicamente como o primeiro ou último
caractere na classe.
</para>
<para>
Não é possível ter o caractere literal "]" como o
caractere final de uma faixa. Uma expressão como [W-]46] é
interpretada como uma classe de dois caracteres ("W" e "-")
seguida pela string literal "46]", portanto corresponderia a "W46]" ou
"-46]". Entretanto, se o "]" for escapado com uma barra invertida ele
será interpretado como o final da faixa. Assim, [W-\]46] é
interpretado como uma classe única contendo uma faixa única seguida por
dois caracteres separados. A representação octal ou hexadecimal
de "]" também pode ser usada para finalizar uma faixa.
</para>
<para>
As faixas operam na sequência da tabela ASCII. Elas também podem ser
usadas para caracteres especificados numericamente, por exemplo
[\000-\037]. Se uma faixa que inclui letras for usada quando uma
correspondência insensível a maiúsculas/minúsculas estiver definida, ela corresponderá às
letras em ambas as formas. Por exemplo, [W-c] é equivalente a
[][\^_`wxyzabc], correspondida de maneira insensível à forma, e se tabelas
de caracteres para a localidade "pt-BR" estiverem em uso, [\xc0-\xc3] correspondem
à letra A com acentos tanto em maiúsuculas quanto em minúsculas.
</para>
<para>
Os tipos de caractere \d, \D, \s, \S, \w e \W também podem
aparecer em uma classe de caracteres e adicionar à classe os caractares
aos quais eles correspondem. Por exemplo, [\dABCDEF] corresponde a qualquer
dígito hexadecimal. Um circunflexo pode convenientemente ser usado
com os tipos de caracteres maiúsculos para especificar um conjunto
mais restrito de caracteres que a correspondência ao tipo de minúsculas.
Por exemplo, a classe [^\W_] corresponde a qualquer letra ou dígito,
mas não ao sublinhado "_".
</para>
<para>
Todos os caracteres não alfanuméricos que não sejam \, -, ^ (no
início) e o terminador ] não são especiais em classes
de caracteres, mas não faz mal agum se forem escapados. O terminador
de expressão é sempre especial e precisa ser escapado quando usado
dentro de uma expressão.
</para>
<para>
O Perl suporta a notação POSIX para classes de caracteres. Ela usa nomes
envolvidos por <literal>[:</literal> e <literal>:]</literal> dentro
de colchetes. O PCRE também
suporta esta notação. Por exemplo, <literal>[01[:alpha:]%]</literal>
corresponde a "0", "1", qualquer caractere alfabético ou "%". Os nomes de classe
suportados são:
<table>
<title>Classes de caracteres</title>
<tgroup cols="2">
<tbody>
<row><entry><literal>alnum</literal></entry><entry>letras e dígitos</entry></row>
<row><entry><literal>alpha</literal></entry><entry>letras</entry></row>
<row><entry><literal>ascii</literal></entry><entry>caracteres com códigos 0 - 127</entry></row>
<row><entry><literal>blank</literal></entry><entry>espaço ou tabulação somente</entry></row>
<row><entry><literal>cntrl</literal></entry><entry>caracteres de controle</entry></row>
<row><entry><literal>digit</literal></entry><entry>dígitos decimais (o mesmo que \d)</entry></row>
<row><entry><literal>graph</literal></entry><entry>caracteres imprimíveis, excluindo o espaço</entry></row>
<row><entry><literal>lower</literal></entry><entry>letras minúsculas</entry></row>
<row><entry><literal>print</literal></entry><entry>caracteres imprimíveis, incluindo o espaço</entry></row>
<row><entry><literal>punct</literal></entry><entry>caracteres imprimíveis, excluindo letras e dígitos</entry></row>
<row><entry><literal>space</literal></entry><entry>espaço (não é idêntico a \s)</entry></row>
<row><entry><literal>upper</literal></entry><entry>letras maiúsculas</entry></row>
<row><entry><literal>word</literal></entry><entry>caracteres de "palavra" (o mesmo que \w)</entry></row>
<row><entry><literal>xdigit</literal></entry><entry>dígitos hexadecimais</entry></row>
</tbody>
</tgroup>
</table>
Os caracteres da classe <literal>space</literal> são: tabulação horizontal (9), nova linha (10), tabulação vertical (11), alimentação de formulário (12), retorno de carro (13),
e espaço (32). Observe que esta lista inclui o caractere de tabulação vertical (código
11). Isso faz com que "space" seja diferente de <literal>\s</literal>, que não inclui a tabulação vertical (para
compatibilidade com o Perl).
</para>
<para>
O nome <literal>word</literal> é uma extensão do Perl, e <literal>blank</literal> é uma extensão GNU
do Perl 5.8. Uma outra extensão do Perl é a negação, que é indicada
por um caractere <literal>^</literal> após o caractere de dois-pontos. Por exemplo,
<literal>[12[:^digit:]]</literal> corresponde a "1", "2" ou qualquer não-dígito.
</para>
<para>
No modo UTF-8, caracteres com valores maiores que 127 não correspondem a nenhuma
das classes de caracteres POSIX.
A partir da libpcre 8.10 algumas classes de caracteres são modificadas para usar
proprieadades de caracteres Unicode, e nesse caso a restrição mencionada não
se aplica. Refira-se ao <link xlink:href="&url.pcre.man;">manual PCRE(3)</link>
para detalhes.
</para>
<para>
Propriedades de caracteres Unicode podem aparecer dentro de uma classe de caracteres. Elas não
podem ser parte de uma faixa. O caractere hífen após uma classe de caractere
Unicode irá corresponder literalmente. Tentar finalizar uma faixa com uma propriedade
de caractere Unicode resultará em um alerta.
</para>
</section>
<section xml:id="regexp.reference.alternation">
<title>Alternância</title>
<para>
Caracteres de barra vertical "|" são usados para separar expressões
alternativas. Por exemplo, a expressão
<literal>gilbert|sullivan</literal>
correspondem tanto a "gilbert" quanto a "sullivan". Qualquer número de alternativas
pode ser usado, e uma alternativa vazia é permitida
(correspondendo a uma string vazia). O processo de correspondência testa
uma alternativa de cada vez, da esquerda para a direita, e a primeira
bem-sucedida é usada. Se as alternativas estiverem dentro de
uma sub-expressão (definida abaixo), "bem-sucedida" significa correspondência ao
restante da expressão principal assim como à alternativa dentro da
sub-expressão.
</para>
<para>
É possível registrar qual alternativa foi correspondida usando
<literal>(*MARK:NAME)</literal> ou <literal>(*:NAME)</literal>.
Qualquer número desses verbos <literal>(*MARK)</literal> pode aparecer e seus
nomes não precisam ser únicos. Quando uma correspondência for bem-sucedida, o nome do
último <literal>(*MARK:NAME)</literal> encontrado será colocado entre
as correspondências como se fosse um grupo de captura chamado <literal>MARK</literal> para que
possa ser lido a partir dos <parameter>matches</parameter> de
<function>preg_match</function> e será passado para o
<parameter>callback</parameter> de <function>preg_replace_callback</function> etc.
</para>
</section>
<section xml:id="regexp.reference.internal-options">
<title>Configuração de opções dentro da expressão</title>
<para>
As configurações de <link linkend="reference.pcre.pattern.modifiers">PCRE_CASELESS</link>,
<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>,
<link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>,
<link linkend="reference.pcre.pattern.modifiers">PCRE_UNGREEDY</link>,
<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTRA</link>,
<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>
e PCRE_DUPNAMES podem ser alteradas de dentro da expressão através de
uma sequência de letras de opção do Perl envolvidas entre "(?" e
")". As letras de opções são:
<table>
<title>Letras de opções internas</title>
<tgroup cols="2">
<tbody>
<row>
<entry><literal>i</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_CASELESS</link></entry>
</row>
<row>
<entry><literal>m</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link></entry>
</row>
<row>
<entry><literal>s</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link></entry>
</row>
<row>
<entry><literal>x</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link></entry>
</row>
<row>
<entry><literal>U</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_UNGREEDY</link></entry>
</row>
<row>
<entry><literal>X</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_EXTRA</link>
(não mais suportada a partir do PHP 7.3.0)</entry>
</row>
<row>
<entry><literal>J</literal></entry>
<entry>para <link linkend="reference.pcre.pattern.modifiers">PCRE_INFO_JCHANGED</link></entry>
</row>
</tbody>
</tgroup>
</table>
</para>
<para>
Por exemplo, (?im) define uma correspondência insensível a maiúsculas/minúsculas, com multi-linhas. Também
é possível remover estas opções precendendo a letra
com um hífen, e combinar definição com remoção como em
(?im-sx), que define <link
linkend="reference.pcre.pattern.modifiers">PCRE_CASELESS</link> e
<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>
enquanto remove <link
linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link> e
<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>.
Se uma letra aparecer tanto antes quanto depois do
hífen, a opção é removida.
</para>
<para>
Quando uma mudança de opção ocorre no nível mais alto (isto é, não ocorre dentro
de parênteses de sub-expressão), a mudança se aplica ao restante da
expressão que se segue. Assim, <literal>/ab(?i)c/</literal> corresponde apenas a "abc"
e "abC".
</para>
<para>
Se uma mudança de opção ocorre dentro de uma sub-expressão, o efeito
é diferente. Isto é uma mudança de comportamento no Perl 5.005.
Uma mudança de opção dentro de uma sub-expressão afeta somente aquela parte
da sub-expressão que a segue, assim
<literal>(a(?i)b)c</literal>
corresponde a "abc" e "aBc" e nenhuma outra string (assumindo que <link
linkend="reference.pcre.pattern.modifiers">PCRE_CASELESS</link> não seja
usada). Por este meio, opções podem ser usadas para ter configurações diferentes em
partes diferentes da sub-expressão. Qualquer mudança feita em uma alternativa
é carregada nos ramos subsequentes dentro da mesma sub-expressão. Por
exemplo,
<literal>(a(?i)b|c)</literal>
corresponde a "ab", "aB", "c" e "C", embora quando corresponde a
"C", o primeiro ramo é abandonado antes da definição da opção.
Isto porque os efeitos de configurações de opções acontecem em
tempo de compilação. Haveria comportamento muito estranho caso não fosse desta maneira.
</para>
<para>
As opções específicas do PCRE <link
linkend="reference.pcre.pattern.modifiers">PCRE_UNGREEDY</link> e
<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTRA</link> podem
ser alteradas da mesma forma que as compatíveis com o Perl,
usando os caracteres U e X respectivamente. A opção (?X)
é especial pelo fato de que deve sempre ocorrer na expressão
antes de qualquer recurso adicional que ela ativa,
mesmo quando está no nível mais alto. É melhor quando colocada no início.
</para>
</section>
<section xml:id="regexp.reference.subpatterns">
<title>Sub-expressões</title>
<para>
Sub-expressões são delimitadas por parênteses
e podem ser aninhadas. Marcar parte de uma expressão como uma sub-expressão
tem dois objetivos:
</para>
<orderedlist>
<listitem>
<para>
Localizar um conjunto de alternativas. Por exemplo, a expressão
<literal>cat(aract|erpillar|)</literal> corresponde a uma das três palavras: "cat",
"cataract" ou "caterpillar". Sem os parênteses, corresponderia a
"cataract", "erpillar" ou a uma string vazia.
</para>
</listitem>
<listitem>
<para>
Definir a sub-expressão como um grupo de captura (como definido acima).
Quando toda a expressão tem correspondência, a parte da string de entrada
que correspondeu à sub-expressão é passada de volta à função chamadora através
do argumento <emphasis>ovector</emphasis> da função <function>pcre_exec</function>.
Parênteses de abertura são contados da esquerda para a direita (iniciando de 1) para
obter os números dos grupos de captura.
</para>
</listitem>
</orderedlist>
<para>
Por exemplo, se a string "the red king" é correspondida pela
expressão
<literal>the ((red|white) (king|queen))</literal>
os grupos de captura são "red king", "red" e "king",
e são numerados com 1, 2 e 3.
</para>
<para>
O fato dos parênteses terem duas funções nem
sempre ajuda. Frequentemente é necessária uma sub-expressão de
agrupamento sem a necessidade de captura. Se um parêntese
de abertura for seguido por "?:", a sub-expressão não
faz nenhuma captura, e não é contado ao computar o
número de sub-expressões de captura subsequentes. Por exemplo,
se a string "the white queen" é correspondida pela
expressão
<literal>the ((?:red|white) (king|queen))</literal>
as substrings capturadas são "white queen" e "queen", e
são numeradas com 1 e 2. O número máximo de subtrings capturadas
é 65535. Porém, pode não ser possível compilar expressões deste tamanho,
dependendo das opções de configuração da biblioteca libpcre.
</para>
<para>
Como um atalho conveniente, se qualquer configuração de opção for
necessária no início de uma sub-expressão sem captura, as
letras de opções podem aparecer entre o "?" e o ":". Assim,
as duas expressões
</para>
<informalexample>
<programlisting>
<![CDATA[
(?i:saturday|sunday)
(?:(?i)saturday|sunday)
]]>
</programlisting>
</informalexample>
<para>
correspondem exatamente ao mesmo conjunto de strings. Como os ramos
alternativos são testados da esquerda para a direita, e as opções não são
redefinidas até que se alcance o final da sub-expressão, uma configuração
de opção em um ramo não afeta ramos subsequentes, portanto
as expressões acima correspondem a "SUNDAY" e também a "Saturday".
</para>
<para>
É possível nomear uma sub-expressão usando a sintaxe
<literal>(?P&lt;nome&gt;expressão)</literal>. Esta sub-expressão será então
indexada no array de correspondências pela sua posição numérica normal e
também pelo nome. Há duas sintaxes alternativas:
<literal>(?&lt;nome&gt;expressão)</literal> e <literal>(?'nome'expressão)</literal>.
</para>
<para>
Algumas vezes é necessário ter correspondências múltiplas, mas não ter
sub-grupos alternados em uma expressão regular. Normalmente, cada um destes receberia
seu próprio número de referência embora apenas um seria
possivelmente correspondido. Para contornar isto, a sintaxe <literal>(?|</literal> permite
ter números duplicados. Considere o caso abaixo, onde a expressão regular corresponde à
string <literal>Sunday</literal>:
</para>
<informalexample>
<programlisting>
<![CDATA[(?:(Sat)ur|(Sun))day]]>
</programlisting>
</informalexample>
<para>
Aqui, <literal>Sun</literal> é armazenado na referência 2, enquanto que
a referência 1 está vazia. Corresponder <literal>Saturday</literal> gera
a referência 1 para <literal>Sat</literal> enquanto que a referência 2
não existirá. Modificar a expressão usando <literal>(?|</literal> corrige
este problema:
</para>
<informalexample>
<programlisting>
<![CDATA[(?|(Sat)ur|(Sun))day]]>
</programlisting>
</informalexample>
<para>
Usando esta expressão, tanto <literal>Sun</literal> quanto <literal>Sat</literal>
seriam armazenadas na referência 1.
</para>
</section>
<section xml:id="regexp.reference.repetition">
<title>Repetição</title>
<para>
Repetição é especificada por quantificadores, que podem acompanhar qualquer
dos itens abaixo:
<itemizedlist>
<listitem><simpara>um único caractere, possivelmente escapado</simpara></listitem>
<listitem><simpara>o metacaractere "."</simpara></listitem>
<listitem><simpara>uma classe de caracteres</simpara></listitem>
<listitem><simpara>uma referência retroativa (veja a próxima seção)</simpara></listitem>
<listitem><simpara>uma sub-expressão entre parênteses (a menos que seja uma afirmação -
veja abaixo)</simpara></listitem>
</itemizedlist>
</para>
<para>
O quantificador de repetição geral especifica um número
mínimo e um máximo de correspondências permitidas, informando os dois
números dentro de chaves e separados por uma vírgula.
Os números precisam ser menores que 65536, e o primeiro precisa ser
menor ou igual ao segundo. Por exemplo:
<literal>z{2,4}</literal>
corresponde a "zz", "zzz" ou "zzzz". Um fechamento de chave em si
não é um caractere especial, Se o segundo número for omitido,
mas a vírgula estiver presente, não há limite superior; se o
segundo número e a vírgula são ambos omitidos, o quantificador
especifica um número exato de correspondências requeridas. Assim,
<literal>[aeiou]{3,}</literal>
corresponde a pelo menos 3 vogais sem acento sucessivas, mas também podem corresponder a
muito mais, enquanto que
<literal>\d{8}</literal>
corresponde a exatamente 8 dígitos.
</para>
<simpara>
Antes do PHP 8.4.0, uma chave de abertura que
aparece em uma posição onde um quantificador não é permitido, ou
que não corresponda à sintaxe de um quantificador, é considerada
como um caractere literal, Por exemplo, <literal>{,6}</literal>
não é um quantificador, mas uma string literal de quatro caracteres.
A partir do 8.4.0, a extensão PCRE é incluída com o PCRE2 versão 10.44,
que permite expressões como <literal>\d{,8}</literal> e elas são
interpretadas como <literal>\d{0,8}</literal>.
Além disso, a partir do PHP 8.4.0, caracteres de espaço em torno de quantificadores como em
<literal>\d{0 , 8}</literal> e <literal>\d{ 0 , 8 }</literal> são permitidos.
</simpara>
<para>
O quantificador {0} é permitido, fazendo com que a expressão se
comporte como se o item anterior e o quantificador não estivessem
presentes.
</para>
<para>
Para conveniência (e compatibilidade histórica), os três
quantificadores mais comuns têm abreviaturas de apenas um caractere:
<table>
<title>Quantificadores de um caractere</title>
<tgroup cols="2">
<tbody>
<row>
<entry><literal>*</literal></entry>
<entry>equivalente a <literal>{0,}</literal></entry>
</row>
<row>
<entry><literal>+</literal></entry>
<entry>equivalente a <literal>{1,}</literal></entry>
</row>
<row>
<entry><literal>?</literal></entry>
<entry>equivalente a <literal>{0,1}</literal></entry>
</row>
</tbody>
</tgroup>
</table>
</para>
<para>
É possível construir laços de repetição infinitos acompanhando uma
sub-expressão que pode corresponder a nenhum caractere com um quantificador
que não tem limite superior, por exemplo:
<literal>(a?)*</literal>
</para>
<para>
Versões mais antigas do Perl e do PCRE costumavam emitir um erro em
tempo de compilação para tais expressões. No entanto, por haver
casos onde isto pode ser útil, essas expressões agora são
aceitas, mas se alguma repetição na sub-expressão de
fato corresponder a nenhum caractere, o laço é quebrado à força.
</para>
<para>
Por padrão, os quantificadores são "gananciosos", isto é, eles irão
corresponder ao máximo de caracteres possível (até o limite do número
máximo permitido), sem fazer com que o resto da expressão
falhe. O exemplo clássico de onde isso dá problema é a
tentativa de correspondência de comentários nos programas em linguagem C. Eles aparecem entre
as sequências /* e */ e dentro da sequência, caracteres individuais
* e / podem aparecer. Uma tentativa de corresponder a comentários C
aplicando a expressão
<literal>/\*.*\*/</literal>
à string
<literal>/* primeiro comentário */ não comentário /* segundo comentário */</literal>
falha, porque ela corresponde à string completa devido à
ganância do item ".*".
</para>
<para>
Porém, se um quantificador for seguido por um ponto de interrogação,
ele se torna preguiçoso, e agora irá corresponder ao mínimo número
de vezes possível, e portanto a expressão
<literal>/\*.*?\*/</literal>
faz o certo com os comentários C. O significado dos
vários quantificadores não é alterado, apenas o número
preferido de correspondências. Não confunda este uso do
ponto de interrogação com o seu uso como um quantificador em si.
Como ele tem dois usos, pode algumas vezes aparecer duplicado, como
em
<literal>\d??\d</literal>
que corresponde a um dígito por preferência, mas pode corresponder a dois se
esta for a única maneira que o resto da expressão terá correspondência.
</para>
<para>
Se a opção <link linkend="reference.pcre.pattern.modifiers">PCRE_UNGREEDY</link>
estiver definida (uma opção que não está
disponível no Perl), os quantificadores não serão gananciosos por
padrão, mas os individuais podem se tornar gananciosos inserindo-se um
ponto de interrogação na sequência deles. Em outras palavras, o ponto de interrogação inverte
o comportamento padrão.
</para>
<para>
Quantificadores seguidos por <literal>+</literal> são "possessivos". Eles consomem
o máximo de caracteres possível e não retornam para corresponder ao restante da
expressão. Assim, <literal>.*abc</literal> corresponde a "aabc" mas
<literal>.*+abc</literal> não, porque <literal>.*+</literal> consome a
string inteira. Quantificadores possessivos podem ser usados para acelerar o processamento.
</para>
<para>
Quando uma sub-expressão entre parênteses é quantificada com uma contagem
mínima de repetições maior que um ou com um máximo limitado,
mais espaço de armazenamento é necessário para a expressão compilada, em
proporção ao tamanho do mínimo ou do máximo.
</para>
<para>
Se uma expressão começa com .* ou .{0,} e a opção <link
linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>
(equivalente ao /s do Perl) está definida, assim permitindo que o "."
corresponda a caracteres de nova linha, a expressão estará implicitamente ancorada,
porque qualquer coisa que estiver na sequência será testada em cada posição
de caractere na string de entrada. Portanto, não faz sentido
tentar novamente a correspondência geral em qualquer posição após a primeira.
O PCRE trata tal expressão como se ela estivesse precedida por \A.
Em casos onde é sabido que a string de entrada não contém
caracteres de nova linha, vale a pena configurar <link
linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link> quando a
expressão inicia com .* para
obter esta otimização, ou
alternativamente usar ^ para indicar a ancoragem explicitamente.
</para>
<para>
Quando uma sub-expressão de captura é repetida, o valor capturado
é a substring que correspondeu à iteração final. Por exemplo, depois que
<literal>(tweedle[dume]{3}\s*)+</literal>
tenha correspondido a "tweedledum tweedledee" o valor da substring
capturada é "tweedledee". Porém se houver
sub-expressões de captura aninhadas, os valores de captura
correspondentes podem ter sido definidos em iterações prévias. Por exemplo,
depois que
<literal>/(a|(b))+/</literal>
corresponder a "aba" o valor da segunda substring capturada é
"b".
</para>
</section>
<section xml:id="regexp.reference.back-references">
<title>Referências retroativas</title>
<para>
Fora de uma classe de caracteres, uma barra invertida seguida por um dígito
maior que 0 (e possivelmente dígitos adicionais) é uma referência
retroativa a um grupo de captura realizada anteriormente (isto é, à sua
esquerda) na expressão, desde que tenha havido previamente essa quantidade
de captura entre parênteses.
</para>
<para>
Porém, se um número decimal seguindo a barra invertida for
menor que 10, ele sempre será interpretado como uma referência retroativa e
causará um erro somente se não tiver havido essa quantidade de
grupos de captura em toda a expressão. Em outras palavras, os
parênteses que são referenciados não precisam estar à esquerda da
referência para números menores que 10.
Uma "referência retroativa à frente" pode fazer sentido quando uma repetição
está envolvida e a sub-expressão à direita tenha participado
de uma iteração anterior. Consulte a seção sobre
<link linkend="regexp.reference.escape">sequências de escape</link> para detalhes adicionais da manipulação
de dígitos que seguem uma barra invertida.
</para>
<para>
Uma referência retroativa corresponde a qualquer coisa que verdadeiramente correspondeu à sub-expressão
de captura na string de entrada atual, e não
a qualquer coisa que corresponda à sub-expressão em si. Portanto, a expressão
<literal>(sens|respons)e and \1ibility</literal>
corresponde a "sense and sensibility" e "response and responsibility",
mas não a "sense and responsibility". Se a correspondência for sensível a
maiúsculas/minúsculas no momento da referência retroativa, a forma
das letras será relevante. Por exemplo,
<literal>((?i)rah)\s+\1</literal>
corresponde a "rah rah" e "RAH RAH", mas não a "RAH rah", embora
a sub-expressão de captura original seja correspondida
de forma insensível a maiúsculas/minúsculas.
</para>
<para>
Pode haver mais que uma referência retroativa à mesma sub-expressão.
Se uma sub-expressão não tiver sido usada em uma correspondência
em particular, qualquer referência retroativa a ela sempre
falhará. Por exemplo, a expressão
<literal>(a|(bc))\2</literal>
sempre falhará se ele iniciar correspondendo a "a" ao invés de "bc".
Como podem haver até 99 referências retroativas, todos os dígitos
seguindo a barra invertida são consideradas como parte de um potencial número
de identificador de referência retroativa. Se a expressão continua com um caractere de
dígito, algum delimitador precisa ser usado para terminar a
referência retroativa. Se a opção <link
linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>
estiver definida, o delimitador pode ser um espaço em branco. Caso contrário um comentário vazio pode ser usado.
</para>
<para>
Uma referência retroativa que ocorre dentro dos parênteses aos quais ela
se refere falha quando a sub-expressão é usada pela primeira vez, portanto, por
exemplo, (a\1) nunca será correspondida. No entanto, tais referências podem
ser úteis dentro de sub-expressões repetidas. Por exemplo, a expressão
<literal>(a|b\1)+</literal>
corresponde a qualquer número de "a"s e também a "aba", "ababba" etc. A
cada iteração da sub-expressão, a referência retroativa corresponde
à string de caracteres relativa à iteração anterior.
Para que isso funcione, a expressão precisa ser tal
que a primeira iteração não precise corresponder à referência
retroativa. Isto pode ser feito usando alternância, como no
exemplo acima, ou por um quantificador com um mínimo de zero.
</para>
<para>
A sequência de escape <literal>\g</literal> pode ser
usada para referências absolutas e relativas de sub-expressões.
Esta sequência de escape precisa ser seguida por um número sem sinal ou
negativo, opcionalmente envolvido por chaves. As sequências <literal>\1</literal>,
<literal>\g1</literal> e <literal>\g{1}</literal> são sinônimos
entre si. O uso desta expressão com um número sem sinal pode
ajudar a remover a ambiguidade inerente ao usar dígitos após uma
barra invertida. A sequência ajuda a distinguir referências de caracteres
octais e também torna mais fácil ter uma referência seguida
por um número literal, ex.: <literal>\g{2}1</literal>.
</para>
<para>
O uso da sequência <literal>\g</literal> com um número negativo
significa uma referência relativa. Por exemplo, <literal>(foo)(bar)\g{-1}</literal>
corresponderia à sequência "foobarbar" e <literal>(foo)(bar)\g{-2}</literal>
corresponderia a "foobarfoo". Isto pode ser útil em expressões longas como uma alternativa
para manter rastreamento do número de sub-expressões para referenciar
uma sub-expressão anterior específica.
</para>
<para>
Referências às sub-expressões nomeadas podem ser obtidas com
<literal>(?P=nome)</literal>,
<literal>\k&lt;nome&gt;</literal>, <literal>\k'nome'</literal>,
<literal>\k{nome}</literal>, <literal>\g{nome}</literal>,
<literal>\g&lt;nome&gt;</literal> ou <literal>\g'nome'</literal>.
</para>
</section>
<section xml:id="regexp.reference.assertions">
<title>Afirmações</title>
<para>
Uma afirmação é um teste nos caracteres posteriores ou
anteriores ao ponto atual de correspondência que efetivamente não
consome nenhum caractere. As afirmações simples codificadas como \b,
\B, \A, \Z, \z, ^ e $ estão descritas na seção sobre <link linkend="regexp.reference.escape">sequências de escape</link>. Afirmações mais
complexas são codificadas como sub-expressões. Existem dois
tipos: aquelas que <emphasis>olham para frente</emphasis> da posição atual na
string de entrada e aquelas que <emphasis>olham para trás</emphasis> dela.
</para>
<para>
Uma sub-expressão de afirmação é correspondida da maneira usual, exceto
que ela não faz com que a posição atual de correspondência seja
alterada. Afirmações que olham <emphasis>para frente</emphasis> iniciam com (?= para afirmações
positivas e com (?! para afirmações negativas. Por exemplo,
<literal>\w+(?=;)</literal>
corresponde a uma palavra seguida por ponto-e-vírgula, mas não inclui
o ponto-e-vírgula na correspondência, e
<literal>foo(?!bar)</literal>
corresponde a qualquer ocorrência de "foo" que não seja seguida por
"bar". Observe que a expressão aparentemente similar
<literal>(?!foo)bar</literal>
não encontra uma ocorrência de "bar" que seja precedida por
algo além de "foo"; ela encontra qualquer ocorrência de "bar"
de todo modo, porque a afirmação (?!foo) é sempre &true;
quando os três próximos caracteres são "bar". Uma afirmação que
olha para trás é necessária para conseguir este efeito.
</para>
<para>
Afirmações que olham <emphasis>para trás</emphasis> iniciam com (?&lt;= para afirmações positivas
e (?&lt;! para afirmações negativas. Por exemplo,
<literal>(?&lt;!foo)bar</literal>
encontra uma ocorrência de "bar" que não seja precedida por
"foo". O conteúdo de uma afirmação que olha para trás é restrito
de modo que todas as strings às quais ela corresponde precisam ter um comprimento
fixo. No entanto, se houver várias alternativas elas não
precisam ter todas o mesmo comprimento fixo. Assim,
<literal>(?&lt;=bullock|donkey)</literal>
é permitido, mas
<literal>(?&lt;!dogs?|cats?)</literal>
causa um erro no momento da compilação. Ramos que correspondem a strings
de comprimento diferente são permitidas somente no nível mais alto de
uma afirmação que olha para trás. Isto é uma extensão quando comparado com
o Perl 5.005, que requer que todos os ramos correspondam ao mesmo
comprimento de string. Uma afirmação como
<literal>(?&lt;=ab(c|de))</literal>
não é permitida, porque seu ramo único no nível mais alto pode
corresponder a dois comprimentos diferentes, mas é aceitável se for re-escrita
para usar dois ramos no nível mais alto:
<literal>(?&lt;=abc|abde)</literal>
A implementação de afirmações que olham para trás é, para cada
alternativa, mover temporariamente a posição atual para trás
pela largura fixa e então tentar a correspodência. Se houver
caracteres insuficientes antes da posição atual, a
correspondência falhará. Afirmações que olham para trás em conjunção com
sub-expressões de ocorrência única podem ser particularmente úteis para ter correspondência
nos finais de strings; um exemplo é mostrado no final
da seção sobre sub-expressões de ocorrência única.
</para>
<para>
Várias afirmações (de qualquer tipo) podem ocorrer sucessivamente.
Por exemplo,
<literal>(?&lt;=\d{3})(?&lt;!999)foo</literal>
corresponde a "foo" precedida por três dígitos que não são "999".
Note que cada afirmação é aplicada independentemente
no mesmo ponto da string de entrada. Primeiro é
verificado se os três caracteres anteriores são todos dígitos
e depois é verificado se os mesmos três caracteres não são
"999". Esta expressão não corresponde a "foo" precedida por seis
caracteres, os primeiros três dos quais são dígitos e os últimos três
deles não são "999". Por exemplo, ela não corresponde a
"123abcfoo". Uma expressão para fazer isso é
<literal>(?&lt;=\d{3}...)(?&lt;!999)foo</literal>
</para>
<para>
Agora a primeira afirmação olha para os seis caracteres
precedentes, verificando se os primeiros três são dígitos e
depois a segunda afirmação verifica se os três caracteres
precedentes não são "999".
</para>
<para>
Afirmações podem ser aninhadas em qualquer combinação. Por exemplo,
<literal>(?&lt;=(?&lt;!foo)bar)baz</literal>
corresponde a uma ocorrência de "baz" que é precedida por "bar"
que por sua vez não é precedida por "foo", enquanto que
<literal>(?&lt;=\d{3}...(?&lt;!999))foo</literal>
é outra expressão que corresponde a "foo" precedida por três
dígitos e quaisquer três caracteres que não sejam "999".
</para>
<para>
Sub-expressões de afirmação não são sub-expressões de captura, e podem
não ser repetidas, porque não faz sentido afirmar a
mesmo coisa várias vezes. Se qualquer tipo de afirmação coniver
sub-expressões de captura dentro dela, estas são contadas para os
propósitos de numeração dos grupos de captura em toda
a expressão. Porém, a captura de substring acontece somente
para afirmações positivas, porque não faz sentido para
afirmações negativas.
</para>
<para>
Afirmações contam até o máximo de 200 sub-expressões
entre parênteses.
</para>
</section>
<section xml:id="regexp.reference.onlyonce">
<title>Sub-expressões de ocorrência única</title>
<para>
Tanto com a maximização quanto com a minimização da repetição, a falha no
que se segue normalmente faz com que o item repetido seja
reavaliado para ver se um número diferente de repetições permite que o
resto da expressão corresponda. Às vezes é útil
evitar isso, seja para mudar a natureza da correspondência ou
para fazer com que ela falhe antes do que aconteceria de outra forma, quando o
autor da expressão sabe que não há sentido em
continuar.
</para>
<para>
Considere, por exemplo, a expressão \d+foo quando aplicada à
linha
<literal>123456bar</literal>
</para>
<para>
Depois de corresponder a todos os 6 dígitos e depois falhar em corresponder a "foo",
a ação normal do algoritmo de correspondência é tentar novamente com somente 5
dígitos correspondendo ao item \d+, e depois com 4, e assim por diante,
até falhar na última vez. Sub-expressões de ocorrência única fornecem o
meio de especificar que uma vez que a parte da expressão tenha sido
correspondida, ela não deve ser reavaliada desta forma, portanto o
algoritmo desistiria imediatamente ao falhar na correspondência a "foo"
na primeira vez. A notação é um outro tipo de parêntese
especial, iniciando com (?&gt; como neste exemplo:
<literal>(?&gt;\d+)bar</literal>
</para>
<para>
Este tipo de parênteses "trava" a parte da expressão
que eles contém uma vez que tenha sido correspondida, e uma falha mais para a frente na
expressão é impedida de rastreá-la retroativamente.
O restreamento retroativo depois deles para itens anteriores, entretanto, funciona normalmente.
</para>
<para>
Uma descrição alternativa é que uma sub-expressão deste tipo
corresponde à string de caracteres que uma expressão idêntica
avulsa corresponderia, se ancorada no ponto atual
da string de entrada.
</para>
<para>
Sub-expressões de ocorrência única não são sub-expressões de captura. Casos
simples como o exemplo acima podem sem pensados como uma repetição de
maximização que precisa consumir tudo o que ela puder. Portanto,
enquanto ambos \d+ e \d+? são preparados para ajustar o número de
dígitos que eles correspondem para fazer com o que o resto da expressão
tenha correspondência, (?&gt;\d+) pode somente corresponder a uma sequência inteira de dígitos.
</para>
<para>
Obviamente, esta contrução pode conter sub-expressões arbitrariamente
complexas, e ela pode ser aninhada.
</para>
<para>
Sub-expressões de ocorrência única podem ser usadas em conjunção com
afirmações que olham para trás para especificar correspondência eficiente no final
da string. Considere a expressão simples
<literal>abcd$</literal>
quando aplicada a uma string longa que não corresponde. Como
a correspondência procede da esquerda para a direita, o PCRE irá procurar
cada "a" na string e depois ver se o que vem a seguir corresponde ao
resto da expressão. Se a expressão for especificada como
<literal>^.*abcd$</literal>,
o .* inicial corresponderá à string inteira primeito, mas
quando isso falhar (porque não existe um "a" a seguir), ela
faz um rastreamento retroativo para corresponder a todos os caracteres exceto ao último, e depois todos exceto
os últimos dois, e assim por diante. Uma vez mais a pesuisa
por "a" cobre a string inteira, da direita para a esquerda, portanto
não melhorou em nada. Porém, se a expressão for escrita como
<literal>^(?>.*)(?&lt;=abcd)</literal>,
não poderá haver rastreamento retroativo para o item ".*". ele pode
corresponder somente à string inteira. A afirmação subsequente
faz um teste simples nos últimos quatro caracteres. Se
ela falhar, a correspondência falha imediatamente. Para strings longas,
este métodos faz uma diferença significativa no tempo de processamento.
</para>
<para>
Quando uma expressão contém uma repetição ilimitada dentro de uma sub-expressão
que pode ser repetida um número ilimitado de
vezes, o uso de uma sub-expressão de ocorrência única é a única maneira de
evitar que algumas correspondências com falha demorem muito tempo.
A expressão
<literal>(\D+|&lt;\d+>)*[!?]</literal>
corresponde a um número ilimitado de sub-expressões que consistem
de não-dígitos, ou de dígitos envolvidos por &lt;>, seguidos por
! ou ?. Quando ela é correspondida, é executada rapidamente. Porém, se
for aplicada a
<literal>aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa</literal>,
ela leva um longo tempo antes de reportar falha. Isso ocorre
porque a string pode ser dividida entre as duas repetições de
várias maneiras e todas precisam ser tentadas. (O exemplo
usou [!?] em vez de um único caractere no final,
porque tanto o PCRE quanto o Perl têm uma otimização que permite
falha rápida quando um único caractere é usado. Eles
lembram o último caractere único necessário para uma
correspondência, e falhar antecipadamente se não estiver presente na string.)
Se a expressão for alterada para
<literal>((?>\D+)|&lt;\d+>)*[!?]</literal>,
sequências de não-dígitos não podem ser quebradas, e a falha acontece rapidamente.
</para>
</section>
<section xml:id="regexp.reference.conditional">
<title>Sub-expressões condicionais</title>
<para>
É possível fazer com que o processo de correspondência obedeça condicionalmente
a uma sub-expressão ou escolha entre duas sub-expressões
alternativas, dependendo do resultado de uma afirmação, ou
se uma sub-expressão de captura anterior correspondeu ou não. As
duas formas possíveis de sub-expressão condicional são
</para>
<informalexample>
<programlisting>
<![CDATA[
(?(condição)expressão-sim)
(?(condição)expressão-sim|expressão-não)
]]>
</programlisting>
</informalexample>
<para>
Se a condição for satisfeita, a expressão-sim é usada; caso contrário
a expressão-não (se presente) é usada. Se houver
mais que duas alternativas na sub-expressão, ocorrerá um erro
no momento da compilação.
</para>
<para>
Existem dois tipos de condição. Se o texto entre parênteses
consistir em uma sequência de dígitos, então a
condição será satisfeita se a sub-expressão de captura desse
número tiver correspondido anteriormente. Considere a seguinte expressão,
que contém espaços em branco não significativos para torná-la
mais legível (assumindo que a opção <link
linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>
está definida) e para dividi-la em três partes para facilidade de discussão:
</para>
<informalexample>
<programlisting>
<![CDATA[
( \( )? [^()]+ (?(1) \) )
]]>
</programlisting>
</informalexample>
<para>
A primeira parte corresponde a um parêntese de abertura opcional e,
se esse caractere estiver presente, define-o como a primeira substring
capturada. A segunda parte corresponde a um ou mais caracteres
que não são parênteses. A terceira parte é uma sub-expressão
condicional que testa se o primeiro conjunto de parênteses
corresponde ou não. Se sim, ou seja, se a string começou
com um parêntese de abertura, a condição é &true;, e então
a expressão-sim é executada e um parêntese de fechamento é
necessário. Caso contrário, como a expressão-não não está presente, A
sub-expressão não corresponde a nada. Em outras palavras, essa expressão
corresponde a uma sequência de não-parênteses, opcionalmente entre
parênteses.
</para>
<para>
Se a condição for a string <literal>(R)</literal>, ela será satisfeita se
uma chamada recursiva à expressão ou sub-expressão tiver sido feita. No “nível
superior”, a condição é falsa.
</para>
<para>
Se a condição não for uma sequência de dígitos ou (R), deverá ser uma
afirmação. Esta pode ser uma afirmação positiva ou negativa que olha para frente
ou que olha para trás. Considere esta expressão, novamente contendo
espaços em branco não significativos e com as duas alternativas na
segunda linha:
</para>
<informalexample>
<programlisting>
<![CDATA[
(?(?=[^a-z]*[a-z])
\d{2}-[a-z]{3}-\d{2} | \d{2}-\d{2}-\d{2} )
]]>
</programlisting>
</informalexample>
<para>
A condição é uma afirmação que olha para frente positiva que corresponde a
uma sequência opcional de não-letras seguidas por uma letra. Em
outras palavras, testa a presença de pelo menos uma
letra na string. Se for encontrada uma letra, a string é
comparada com a primeira alternativa; caso contrário, será
comparada com o segunda. Esta expressão corresponde a strings em
uma das duas formas dd-aaa-dd ou dd-dd-dd, onde aaa são
letras e dd são dígitos.
</para>
</section>
<section xml:id="regexp.reference.comments">
<title>Comentários</title>
<para>
A sequência (?# marca o início de um comentário que
continua até o próximo parêntese de fechamento. Parênteses
aninhados não são permitidos. Os caracteres que compõem um
comentário não desempenham nenhum papel na correspondência de expressões.
</para>
<para>
Se a opção <link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>
estiver definida, um caractere # sem escape fora de uma classe de caracteres
introduz um comentário que continua até o próximo caractere de nova linha
na expressão.
</para>
<para>
<example>
<title>Uso de comentários em expressões PCRE</title>
<programlisting role="php">
<![CDATA[
<?php
$subject = 'test';
/* (?# pode ser usado para adicionar comentários sem habilitar PCRE_EXTENDED */
$match = preg_match('/te(?# isto é um comentário)st/', $subject);
var_dump($match);
/* Espaço em branco e # são tratados como parte da expressão a menos que PCRE_EXTENDED esteja habilitada */
$match = preg_match('/te #~~~~
st/', $subject);
var_dump($match);
/* Quando PCRE_EXTENDED está habilitada, todos os espaços em branco e qualquer coisa que
esteja na sequência de um # sem escape na mesma linha são ignorados */
$match = preg_match('/te #~~~~
st/x', $subject);
var_dump($match);
]]>
</programlisting>
&example.outputs;
<screen>
<![CDATA[
int(1)
int(0)
int(1)
]]>
</screen>
</example>
</para>
</section>
<section xml:id="regexp.reference.recursive">
<title>Expressões recursivas</title>
<para>
Considere o problema de corresponder a uma string entre parênteses,
permitindo parênteses aninhados ilimitados. Sem o uso
de recursão, o melhor que pode ser feito é usar uma expressão
que corresponda a uma profundidade fixa de aninhamento. Não é
possível lidar com uma profundidade de aninhamento arbitrária. O Perl 5.6
forneceu um recurso experimental que permite a recursividade
de expressões regulares (entre outras coisas). O item
especial (?R) é fornecido para o caso específico de recursão.
Esta expressão PCRE resolve o problema dos parênteses (suponha
que a opção <link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>
esteja definida para que o espaço em branco seja
ignorado):
<literal>\( ( (?>[^()]+) | (?R) )* \)</literal>
</para>
<para>
Primeiro, ela corresponde a um parêntese de abertura. Em seguida, ela corresponde a qualquer
número de substrings que podem ser uma sequência de
não-parênteses ou uma correspondência recursiva da própria expressão
(ou seja, uma substring colocada de forma correta entre parênteses). Finalmente há
um parêntese de fechamento.
</para>
<para>
Esta expressão de exemplo em particular contém repetições ilimitadas
aninhadas e, portanto, o uso de uma sub-expressão de ocorrência única para correspondência
a strings de não-parênteses é importante ao aplicar
a expressão em strings que não correspondem. Por exemplo, quando
é aplicada a
<literal>(aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa()</literal>
ela gera uma "não correspondência" rapidamente. Entretanto, se uma expressão de ocorrência única
nao for usada, a correspondência é executada por um longo tempo
porque existem muitas formas diferentes das repetições + e *
dividirem a string, e todas têm que ser testadas
antes que a falha possa ser reportada.
</para>
<para>
Os valores definidos para quaisquer sub-expressões de captura são aqueles do
nível mais externo da recursão no qual o valor da
sub-expressão é definido. Se a expressão acima for comparada com
<literal>(ab(cd)ef)</literal>,
o valor para os parênteses de captura será "ef", que é
o último valor considerado no nível mais alto. Se parênteses
extras forem acrescentados, resultando em
<literal>\( ( ( (?>[^()]+) | (?R) )* ) \)</literal>,
a string que eles irão capturar
será "ab(cd)ef", o conteúdo dos parênteses do nível mais alto. Se
houver mais de 15 parênteses de captura em uma expressão,
o PCRE precisa obter memória extra para armazenar dados durante uma
recursão, o que ele faz usando pcre_malloc, liberando-a
posteriormente via pcre_free. Se nenhuma memória puder ser obtida, ele
salva os dados apenas dos primeiros 15 parênteses de captura, pois
não há como gerar um erro de falta de memória dentro de uma
recursão.
</para>
<para>
<literal>(?1)</literal>, <literal>(?2)</literal>, e assim por diante,
também podem ser usados para sub-expressões recursivas. também é possível usar sub-expressões
nomeadas: <literal>(?P&gt;nome)</literal> ou
<literal>(?&amp;nome)</literal>.
</para>
<para>
Se a sintaxe para uma referência de sub-expressão recursiva (seja por número ou
por nome) for usada fora dos parênteses aos quais se refere, ela funcionará
como uma sub-rotina em uma linguagem de programação. Um exemplo anterior
apontou que a expressão
<literal>(sens|respons)e and \1ibility</literal>
corresponde a "sense and sensibility" e "response and responsibility", mas
não a "sense and responsibility". Se, em vez disso, a expressão
<literal>(sens|respons)e and (?1)ibility</literal>
for usada, ela corresponderá a "sense and responsibility", bem como às outras
duas strings. Tais referências devem, contudo, seguir a sub-expressão a
que se referem.
</para>
<para>
O comprimento máximo de uma string de entrada é o maior número positivo
que uma variável inteira pode conter. No entanto, o PCRE usa recursão para
lidar com sub-expressões e repetições indefinidas. Isso significa que o
espaço de pilha disponível pode limitar o tamanho de uma string de entrada que pode ser
processada por determinadas expressões.
</para>
</section>
<section xml:id="regexp.reference.performance">
<title>Desempenho</title>
<para>
Certos itens que podem aparecer nas expressões são mais eficientes
que outros. É mais eficiente usar uma classe de caracteres
como [aeiou] do que um conjunto de alternativas como (a|e|i|o|u).
Em geral, a construção mais simples que proporciona o
comportamento requerido é normalmente a mais eficiente. O livro
de Jeffrey Friedl contém muita discussão sobre como otimizar
expressões regulares para um desempenho eficiente.
</para>
<para>
Quando uma expressão começa com .* e a opção <link
linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link> está
definida, a expressão é implicitamente ancorada pelo PCRE, pois ela
pode corresponder apenas ao início de um string de entrada. Porém, se
<link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>
não estiver definida, o PCRE não poderá fazer esta otimização,
pois o metacaractere . não corresponderá a uma nova linha
e, se a string de entrada contiver novas linhas, a expressão poderá
corresponder a partir do caractere imediatamente após um deles,
em vez de desde o início. Por exemplo, a expressão
<literal>(.*) second</literal>
corresponde à string "first\nand second" (onde \n representa
um caractere de nova linha) com a primeira substring capturada igual a
"and". Para fazer isso, o PCRE precisa tentar a correspondência novamente
iniciando após cada caractere de nova linha na string.
</para>
<para>
Se uma expressão como essa estiver sendo usada com uma string de entrada que
não contêm novas linhas, o melhor desempenho será obtido
definindo <link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>
ou iniciando a expressão com ^.* para
indicar ancoragem explícita. Isso evita que o PCRE tenha que
varrer a string em busca de uma nova linha para reiniciar.
</para>
<para>
Cuidado com expressões que contêm repetições indefinidas aninhadas.
Elas podem levar muito tempo para serem executadas quando aplicados a uma string
que não corresponde. Considere o fragmento de expressão
<literal>(a+)*</literal>
</para>
<para>
Isso pode corresponder a "aaaa" de 33 maneiras diferentes, e esse número
aumenta muito rapidamente à medida que a string fica mais longa. (A repetição
* pode corresponder a 0, 1, 2, 3 ou 4 vezes e, para cada um
desses casos diferentes de 0, as repetições + podem corresponder a diferentes
números de vezes.) Quando o restante da expressão é tal
que toda a correspondência irá falhar, o PCRE tem que, em princípio,
tentar todas as variações possíveis, e isso pode levar
muito tempo.
</para>
<para>
Uma otimização captura alguns dos casos mais simples
como
<literal>(a+)*b</literal>,
onde um carectere literal aparece na sequência. Antes de embarcar no
procedimento padrão de correspondência, o PCRE verifica se existe um "b"
mais à frente na string de entrada, e se não houver, ele falha
a correspondência imediatamente. Porém, quando não há um caractere literal
na sequência, esta otimização não pode ser usada. Pode-se ver a
deferença comparando o comportamento de
<literal>(a+)*\d</literal>
com a expressão mais acima. A anterior falha quase
instantaneamente quando aplicada a uma linha inteira de caracteres "a",
enquanto que a última leva um tempo apreciável com strings
mais longas que aproximadamente 20 caracteres.
</para>
</section>
</chapter>
<!-- Keep this comment at the end of the file
Local variables:
mode: sgml
sgml-omittag:t
sgml-shorttag:t
sgml-minimize-attributes:nil
sgml-always-quote-attributes:t
sgml-indent-step:1
sgml-indent-data:t
indent-tabs-mode:nil
sgml-parent-document:nil
sgml-default-dtd-file:"~/.phpdoc/manual.ced"
sgml-exposed-tags:nil
sgml-local-catalogs:nil
sgml-local-ecat-files:nil
End:
vim600: syn=xml fen fdm=syntax fdl=2 si
vim: et tw=78 syn=sgml
vi: ts=1 sw=1
-->
Reference in New Issue View Git Blame Copy Permalink