103.7 Lección 1

Hay otro tipo de átomo llamado bracket expression (expresión de corchetes). Aunque no es un solo carácter, los corchetes [] (incluido su contenido) se consideran un solo átomo. Una expresión entre corchetes suele ser sólo una lista de caracteres literales encerrados por [], haciendo que el átomo coincida con cualquier carácter de la lista. Por ejemplo, la expresión [1b] se puede encontrar en ambas cadenas, abcd y a1cd. Para especificar los caracteres a los que no debe corresponder el átomo, la lista debe comenzar con ^, como en [^1b]. También es posible especificar rangos de caracteres en expresiones entre corchetes. Por ejemplo, [0−9] coincide con los dígitos del 0 al 9 y [a−z] coincide con cualquier letra minúscula. Los rangos deben usarse con precaución, ya que pueden no ser consistentes en distintas configuraciones regionales.

Las listas de expresiones entre corchetes también aceptan clases en lugar de sólo caracteres y rangos individuales. Las clases de caracteres tradicionales son:

Las clases de caracteres se pueden combinar con caracteres y rangos individuales, pero no se pueden usar como punto final de un rango. Además, las clases de caracteres pueden usarse sólo en expresiones de corchetes, no como un átomo independiente fuera de los corchetes.

El alcance de un átomo, ya sea un átomo de un solo carácter o un átomo de corchete, se puede ajustar utilizando un cuantificador de átomos. Los cuantificadores de átomos definen secuencias de átomos, es decir, las coincidencias ocurren cuando se encuentra una repetición contigua para el átomo en la cadena. La subcadena correspondiente a la coincidencia se llama pieza. No obstante, los cuantificadores y otras características de las expresiones regulares se tratan de manera diferente según el estándar que se utilice.

Según lo define POSIX, hay dos tipos de expresiones regulares: expresiones regulares “básicas” y expresiones regulares “extendidas”. La mayoría de los programas relacionados con texto en cualquier distribución convencional de Linux admiten ambas formas, por lo que es importante conocer sus diferencias para evitar problemas de compatibilidad y elegir la implementación más adecuada para la tarea prevista.

El cuantificador * tiene la misma función tanto en los RE básicos como en los extendidos (el átomo aparece cero o más veces) y es un carácter literal si aparece al principio de la expresión regular o si está precedido por una barra invertida \. El cuantificador de signo más + seleccionará piezas que contengan una o más coincidencias de átomos en secuencia. Con el cuantificador de signo de interrogación ?, Se producirá una coincidencia si el átomo correspondiente aparece una vez o si no aparece en absoluto. Si está precedido por una barra invertida \, se obvia su significado especial. Las expresiones regulares básicas también admiten cuantificadores + y ?, Pero deben ir precedidas de una barra invertida. A diferencia de las expresiones regulares extendidas, + y ? Por sí mismos son caracteres literales en expresiones regulares básicas.

Un bound (límite) es un cuantificador de átomos que, como su nombre indica, permite al usuario especificar límites cuantitativos precisos para un átomo. En las expresiones regulares extendidas, un límite puede aparecer de tres formas:

En cualquier caso, si una subcadena coincide con una expresión regular y una subcadena más larga que comienza en el mismo punto también coincide, se considerará la subcadena más larga.

Las expresiones regulares básicas también admiten límites, pero los delimitadores deben estar precedidos por \: \{ y \}. Por sí mismos, { y } se interpretan como caracteres literales. Un \{ seguido de un carácter que no sea un dígito es un carácter literal, no el comienzo de un límite.

Las expresiones regulares básicas también difieren de las expresiones regulares extendidas en otro aspecto importante: una expresión regular extendida se puede dividir en ramas, cada una de las cuales es una expresión regular independiente. Las ramas están separadas por | y la expresión regular combinada coincidirá con cualquier cosa que corresponda a cualquiera de las ramas. Por ejemplo, he|him coincidirá si la subcadena he o him se encuentran en la cadena que se está examinando. Las expresiones regulares básicas interpretan | como un carácter literal. Sin embargo, la mayoría de los programas que soportan expresiones regulares básicas permitirán ramificaciones con \|.

Una expresión regular extendida encerrada entre () se puede usar en una referencia posterior. Por ejemplo, ([[:dígito:]])\1 coincidirá con cualquier expresión regular que se repita al menos una vez, porque el \1 en la expresión es la referencia posterior a la pieza que coincide con la primera subexpresión entre paréntesis. Si existe más de una subexpresión entre paréntesis en la expresión regular, se puede hacer referencia a ellas con \2,\3, etc... (Enlace a documento adjunto aclaratorio sobre retroreferencias en regexp)

Para REs básicas, las subexpresiones deben estar delimitadas por \( y \), con ( y ) por sí mismos se interpretan como caracteres ordinarios. El índice de referencia inversa se usa del mismo modo que en las expresiones regulares extendidas.

El beneficio inmediato que ofrecen las expresiones regulares es mejorar las búsquedas en sistemas de archivos y en documentos de texto. La opción -regex del comando find permite probar cada ruta en una jerarquía de directorios contra una expresión regular. Por ejemplo,

busca archivos de más de 100 megabytes (100 unidades de 1048576 bytes), pero sólo en rutas dentro del directorio de inicio del usuario que contienen una coincidencia con .*/\..*, es decir, un /. rodeado por cualquier otro número de caracteres. En otras palabras, sólo se enumerarán los archivos ocultos o los archivos dentro de los directorios ocultos, independientemente de la posición de /. en la ruta correspondiente. Para expresiones regulares que no distinguen entre mayúsculas y minúsculas, se usará en su lugar la opción -iregex:

En este ejemplo, la expresión regular contiene ramas (escritas en modo extendido) para listar sólo archivos de fuentes específicos bajo la jerarquía de directorios /usr/share/fonts. Las expresiones regulares extendidas no son compatibles de forma predeterminada, pero find permite habilitarlas con -regextype posix-extended o -regextype egrep. El estándar RE predeterminado para find es findutils-default, que es prácticamente un clon básico de expresión regular.

A menudo es necesario pasar la salida de un programa al comando less cuando no cabe en la pantalla. El comando less divide su entrada en páginas, una pantalla completa a la vez, lo que permite al usuario navegar fácilmente por el texto hacia arriba y hacia abajo. Además, less también permite al usuario realizar búsquedas basadas en expresiones regulares. Esta característica es notablemente importante porque less es el paginador predeterminado que se usa para muchas tareas diarias, como inspeccionar entradas de diario o consultar páginas de manual. Al leer una página de manual, por ejemplo, al presionar la tecla / se abrirá un mensaje de búsqueda. Este es un escenario típico en el que las expresiones regulares son útiles, ya que las opciones de comando se enumeran justo después de un margen de página. Sin embargo, la misma opción puede aparecer muchas veces en el texto, lo que hace que las búsquedas literales sean inviables. Independientemente de eso, al escribir ^[[:blank:]]-o  — o de manera más simple:`^-o`  — en el indicador de búsqueda y presionar Enter se saltará inmediatamente a la sección -o (si existe), permitiendo consultar la descripción de una opción de manera más rápida.