Expresiones regulares

Los corchetes concuerdan con un único carácter cualquiera de los presentes en la lista o de los ausentes si la lista comienza por el carácter ^, y nunca con el fin de línea (\n). Por ejemplo: [0123456789] coincide con un dígito y [^0123456789] coincide con cualquier carácter que no sea un dígito. Dentro de los corchetes también se puede especificar un rango mediante la colocación de dos caracteres separados por un guión. Por ejemplo, las dos expresiones regulares anteriores son equivalentes a las dos siguientes, respectivamente: [0-9] y [^0-9]. Los dos caracteres que definen el rango deben ir ordenados de menor a mayor, es decir, la expresión regular [9-0] sería incorrecta. Este orden se entiende dentro de la codificación que esté configurada, normalmente utf-8.

Ciertas listas de caracteres se usan mucho, por lo que ya están creadas y se les ha dado un nombre:

• [:alnum:] = [0-9A-Za-z]. Si estamos en una codificación en español se incluye la ñ y las vocales con tildes, que van en el siguiente orden:  ...aáàâäbc... Esto ocurre en cualquier lista que incluya las letras.
  
• [:alpha:] = [A-Za-z]
  
• [:blank:] = espacio y tabulador = [ \t]
• [:cntrl:] = Los códigos de control que van del código ASCII 0 al 31, junto con el 127.
  
• [:digit:] = [0-9]
• [:graph:] = [[:alnum:][:punct:]]
  
• [:lower:] = [a-z]
• [:print:] = [[:alnum:][:punct:] ]. La lista de caracteres gráficos más el espacio.
  
• [:punct:] = ! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ \ ] ^ _ ` { | } ~.
  
• [:space:] = El carácter tabulador horizontal (ASCII 9), nueva línea (10), tabulación vertical (11), nueva página (12), retorno de carro (13) y el espacio (32).
  
• [:upper:] = [A-Z]
  
• [:xdigit:] = [0-9A-Fa-f]
  

No debe olvidarse que el nombre de estas listas de caracteres incluyen los corchetes, por lo que para crear una lista a partir de listas con nombre hay que duplicar los cochetes, por ejemplo: [[:alnum:][:punct:]]

Para incluir el ] en la lista, se debe poner el primero, para el ^ lo pondremos en cualquier sitio menos al principio, y por último, para incluir el - lo pondremos el último o el primero de la lista: Por ejemplo: []^-]

Los rangos y las listas se pueden mezclar: [a[:digit:]x-z^]

Los caracteres especiales de las expresiones regulares se comportan como caracteres ordinarios dentro de una lista.

Una lista interesante son las clases de equivalencia que tienen la siguiente sintaxis: [=c=], donde c es un carácter cualquiera. En español, por ejemplo, existen varias formas de escribir la letra a, pues esta puede llevar distintos tipos de tíldes, con la clase de equivalencia [=a=] estamos construyendo la lista [aáàâä] de forma mucho más cómoda.

El carácter especial * concuerda con cero o más repeticiones de la expresión regular que le precede (R). La expresión regular más básica es un carácter ordinario, y por lo tanto "a*", casa con "a", "aa", y cualquier cantidad de aes consecutivas, incluida cero aes, por lo tanto, casa también con la cadena nula. El papel de la cadena nula se puede ver mejor en la expresión regular "ab*", esta expresión es la contatenación de las expresiones "a" y "b*", debido a que el * tiene más prioridad que la concatenación, si no fuese así, el * se aplicaría a la expresión "ab". Teniendo en cuenta todo esto, las cadenas "ab", "abb", "abbb", etc., casarán con "ab*", pero también casa la cadena "a", pues "b*" incluye cero repeticiones de la b, es decir, la cadena nula. Una expresión como ".*" casa con cualquier secuencia de caracteres incluido la cadena nula, en cambio, "..*" casaría con cualquier secuencia de caracteres.

La evaluación de todos los operadores de repetición, el * y los que veremos más adelante, siempre se hará buscando el texto más largo que pueda coincidir, por lo que con un texto como "abcccd" y una expresión "bc*", a esta se le hará coincidir con la cadena "bccc" y no con otra más corta como "b", "bc" o "bcc", que en principio también casan con la expresión regular.

Los operadores \( y \) funcionan como los paréntesis en las expresiones aritméticas, es decir, permiten alterar la prioridad del resto de los operadores (esta se especifica más abajo en esta página), podemos verlo en con las dos siguientes expresiones regulares, "ab\+" y "\(ab\)\+", la primera casa con cadenas como "ab", "abb", "abbb", etc., y la segunda con "ab", "abab", "ababab", etc., y esto se debe a el operador \+ tiene más prioridad que la concatenación, y eso se altera en la segunda expresión regular, haciéndose que la concatenación se realice antes que la repetición.

Pero los operadores paréntesis tienen una segunda función en las expresiones regulares y es la de crear subexpresiones regulares con el objetivo de referirnos posteriormente al texto que concuerda con ellas, y utilizarlo tanto en la misma expresión regular de búsqueda, como en la cadena de sustitución en aquellos contextos donde usamos las expresiones regulares para buscar y sustituir texto. Se va a entender esto mejor, viendo la siguiente entrada de esta tabla, donde se explica cómo referirnos al texto que ha casado con una subexpresión.

Este operador se llama retroreferencia (back-reference), y como su propio nombre indica, sirve para hacer referencia a un trozo de la expresión regular que se encuentra a la izquierda de la referencia. Dicho trozo de la expresión regular se llama subexpresión y se construye con los operadores paréntesis. Realmente la retroreferencia representa al texto que concuerda con la subexpresión. El valor de n debe estar comprendido entre 1 y 9, que se corresponde con el orden de aparación de las subexpresiones de izquierda a derecha. No pueden crearse más de 9 subexpresiones dentro de una misma expresión regular.

Veamos un ejemplo donde usaremos la retroreferencia dentro de la propia expresión regular. Supongamos que queremos buscar líneas que comienzan por una vocal en minúscula y terminan con la misma vocal en minúscula. Para esta situación utilizaríamos la siguiente expresión regular: "^\([aeiou]\).\*\1$". Como vemos, hemos hecho una subexpresión para la vocal del inicio de la línea y nos referimos a esa misma vocal posteriormente en la expresión regular con una retroreferencia (\1) para que coincida al final de la línea.

Hay otro contexto donde podemos usar las retroreferencias, y es en las operaciones de buscar y reemplazar empleando expresiones regulares. La orden sed permite este tipo de operaciones a través de su comando s, el cual incluye una expresión regular para buscar y un texto para sustituir. Se puede crear una subexpresión en la parte de búsqueda y utilizar una retroreferencia en la parte de sustitución, por ejemplo, si pretendemos cambiar todas las etiquetas <i> por <em> en una página web, el comando s de sed quedaría asi: "s/<i>\(.*\)<\/i>/<em>\1<\/em>/g". La expresión regular de búsqueda es "<i>\(.*\)<\/i>", donde hemos creado una subexpresión equivalente a todo el contenido entre las etiquetas <i> y </i>. Por otro lado, el texto de sustitución es "<em>\1<\/em>", y es aquí donde hemos usado la retroreferencia (\1) para colocar dentro de las etiquetas <em> y </em> el mismo contenido que estaba dentro de <i> y </i>.