================================
Expressões regulares: introdução
================================
Idéia básica
============
Uma expressão regular é uma notação para representar **padrões** em strings.
Serve para validar entradas de dados ou fazer busca e extração de informações
em textos.
Por exemplo, para verificar se um dado fornecido é um número de 0,00 a 9,99
pode-se usar a expressão regular ``\d,\d\d``, pois o símbolo ``\d`` é um
curinga que casa com um dígito.
O verbo :term:`casar` aqui está sendo usado tradução para *match*, no sentido
de *combinar*, *encaixar*, *parear*. Dizemos que a expressão ``\d,\d\d`` casa
com 1,23 mas não casa com ``123`` (falta a vírgula) nem com ``1,2c`` ("c" não
casa com ``\d``, porque não é um dígito).
O termo em inglês é *regular expression* de onde vem as abreviações *regex* e
``re`` (o nome do módulo Python). Na ciência da computação, o termo tem um
significado bem específico (veja :term:`expressão regular` no
:ref:`glossario`).
.. _alguns_exem:
Algums exemplos
---------------
Veja alguns exemplos com breves explicações para ter uma idéia geral:
``\d{5}-\d{3}``
O padrão de um CEP como 05432-001: 5 dígitos, um ``-`` (hífen) e mais 3
dígitos. A sequência ``\d`` é um :term:`metacaractere`, um curinga que casa
com um dígito (0 a 9). A sequência ``{5}`` é um :term:`quantificador`:
indica que o padrão precedente deve ser repetido 5 vezes, portanto ``\d{5}``
é o mesmo que ``\d\d\d\d\d``.
``[012]\d:[0-5]\d``
Semelhante ao formato de horas e minutos, como 03:10 ou 23:59. A sequência
entre colchetes ``[012]`` define um :term:`conjunto`. Neste caso, o conjunto
especifica que primeiro caractere deve ser 0, 1 ou 2. Dentro dos ``[]`` o
hífen indica uma faixa de caracteres, ou seja, ``[0-5]`` é uma forma
abreviada para o conjunto ``[012345]``; o conjunto que representa todos os
dígitos, ``[0-9]`` é o mesmo que ``\d``. Note que esta expressão regular
também aceita o texto ``29:00`` que não é uma hora válida (horas válidas
serão o tema de um dos :ref:`exercicios`).
``[A-Z]{3}-\d{4}``
É o padrão de uma placa de automóvel no Brasil: três letras de ``A`` a ``Z``
é seguidas de um ``-`` (hífen) seguido de quatro dígitos, como ``CKD-4592``.
Sobre os sinais ``«»`` usados neste texto
-----------------------------------------
Ao descrever de modo genérico alguma parte da sintaxe das expressões regulares
usamos neste documento os símbolos ``«»``, para indicar uma parte que deve ser
fornecida pelo usuário.
Por exemplo, a referência a um grupo tem a sintaxe ``\«n»`` onde ``«n»`` é o
número do grupo a ser recuperado. Os sinais ``«»`` não fazem parte da sintaxe,
então a referência ao terceiro grupo escreve-se como ``\3``.
De modo semelhante, a sintaxe de quantificador moderado é ``«q»?``, onde
``«q»`` é qualquer quantificador, como ``*`` em ``*?`` ou ``{1,3}`` no caso de
``{1,3}?``.
Metacaracteres
==============
Um :term:`metacaractere` é um caractere ou sequência de caracteres com
significado especial em expressões regulares. Os metacaracteres podem ser
categorizados conforme seu uso.
Especificadores
---------------
Especificam o conjunto de caracteres a casar em uma posição.
============= ==================== ===========================================
metacaractere conhecido como significado
============= ==================== ===========================================
``.`` curinga qualquer caractere, exceto a quebra de
linha ``\n`` (ver :ref:`flag_dotall`)
``[...]`` conjunto qualquer caractere incluido no conjunto
``[^...]`` conjunto negado qualquer caractere não incluido no conjunto
``\d`` dígito o mesmo que ``[0-9]``
``\D`` não-digíto o mesmo que ``[^0-9]``
``\s`` branco espaço, quebra de linha, tabs etc.;
o mesmo que ``[ \t\n\r\f\v]``
``\S`` não-branco o mesmo que ``[^ \t\n\r\f\v]``
``\w`` alfanumérico o mesmo que ``[a-zA-Z0-9_]`` (mas pode
incluir caracteres Unicode; ver
:ref:`flag_unicode`)
``\W`` não-alfanumérico o complemento de ``\w``
``\`` escape anula o significado especial do
metacaractere seguinte; por exemplo, ``\.``
representa apenas um ponto, e não o curinga
============= ==================== ===========================================
Quantificadores
---------------
Definem o número permitido repetições da expressão regular precedente.
============= ===========================================
metacaractere significado
============= ===========================================
``{n}`` exatamente *n* ocorrências
``{n,m}`` no mínimo *n* ocorrências e no máximo *m*
``{n,}`` no mínimo *n* ocorrências
``{,n}`` no máximo *n* ocorrências
``?`` 0 ou 1 ocorrência; o mesmo que ``{,1}``
``+`` 1 ou mais ocorrência; o mesmo que ``{1,}``
``*`` 0 ou mais ocorrência
``«q»?`` modera qualquer um dos quantificadores
acima (ver :ref:`gula`)
============= ===========================================
Veja o grupo de exercícios :ref:`exer_espec`.
Âncoras
-------
Estabelecem posições de referência para o casamento do restante da regex. Note
que estes metacaracteres não casam com caracteres no texto, mas sim com
posições antes, depois ou entre os caracteres.
============= ==============================================================
metacaractere significado
============= ==============================================================
``^`` início do texto, ou de uma linha com o flag ``re.MULTILINE``
``\A`` início do texto
``$`` fim do texto, ou de uma linha com o flag ``re.MULTILINE``;
não captura o ``\n`` no fim do texto ou da linha
``\Z`` fim do texto
``\b`` posição de borda, logo antes do início de uma palavra, ou logo
depois do seu término; o mesmo que a posição entre ``\W``
e ``\w`` ou vice-versa
``\B`` posição de não-borda
============= ==============================================================
Veja o grupo de exercícios :ref:`exer_ancoras`.
Agrupamento
-----------
Definem ou grupos ou alternativas.
=============== ==============================================================
metacaractere significado
=============== ==============================================================
``(...)`` define um :term:`grupo`, para efeito de aplicação de
quantificador, alternativa ou de posterir extração ou re-uso
``...|...`` alternativa; casa a regex à direita ou à esquerda
``\«n»`` recupera o texto casado no n-ésimo grupo
=============== ==============================================================
.. _gula:
Gula × moderação
================
Por default, todos os quantificadores são gulosos: tentam casar a maior
quantidade possível de caracteres.
Para entender o que isso significa, considere que desejamos capturar o nome
do primeiro tag (h1) no fragmento de HTML abaixo::
>>> html = 'Alan Turing: 100 anos
'
Usando o quantificador guloso ``+``, acabamos por capturar o elemento inteiro,
e não apenas o tag::
>>> res = re.match('<.+>', html)
>>> res.group()
'Alan Turing: 100 anos
'
O resultado acima ocorre porque o sinal ``>`` casa em duas posições no texto,
e casando na segunda posição o curinga guloso ``.+`` captura mais caracteres.
Se usamos o quantificador moderado ``+?``, a expressão ``.+?`` fica satisfeita
em capturar apenas os caracteres até o primeiro casamento de ``>``::
>>> res = re.match('<.+?>', html)
>>> res.group()
''