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 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 expressão regular no Glossário).
Veja alguns exemplos com breves explicações para ter uma idéia geral:
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}?.
Um metacaractere é um caractere ou sequência de caracteres com significado especial em expressões regulares. Os metacaracteres podem ser categorizados conforme seu uso.
Especificam o conjunto de caracteres a casar em uma posição.
| metacaractere | conhecido como | significado |
|---|---|---|
| . | curinga | qualquer caractere, exceto a quebra de linha \n (ver 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 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 |
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 Gula × moderação) |
Veja o grupo de exercícios 1. Especificadores e quantificadores.
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 2. Âncoras.
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 = '<h1>Alan Turing: 100 anos</h1>'
Usando o quantificador guloso +, acabamos por capturar o elemento inteiro, e não apenas o tag:
>>> res = re.match('<.+>', html)
>>> res.group()
'<h1>Alan Turing: 100 anos</h1>'
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()
'<h1>'