Ya conoces lo básico: las clases de caracteres como \d y [A-Z],
los cuantificadores como {4} y +, y las palabras matches?,
all-matching-subseqs y re-replace. Este ejercicio añade las partes
de las expresiones regulares que describen estructura y contexto.
Viven en el mismo vocabulario regexp, escritas con el mismo
literal R/ /.
Anclas
Las anclas coinciden con una posición en lugar de con un carácter:
^ ! the start of the string
$ ! the end of the string
\b ! a word boundary
Como $ significa el final del string, escribe \$ cuando quieras
decir un signo de dólar literal.
Un límite de palabra (\b) es el punto en el que un carácter de
palabra se encuentra con uno que no lo es. Los caracteres de palabra
son las letras, los dígitos y el guion bajo; todo lo demás (los
espacios, la puntuación y los dos extremos del string) cuenta como
límite. Así, \bcat\b coincide con cat solo cuando aparece por sí
solo:
USING: regexp ;
"cat nap" R/ \bcat\b/ re-contains? . ! => t
"scatter" R/ \bcat\b/ re-contains? . ! => f (cat sits inside a word)
Agrupación y alternancia
Los paréntesis ( ) agrupan parte de un patrón para que un
cuantificador (o un |, «esto o aquello») se aplique a todo el
grupo:
USING: regexp ;
"abab" R/ (ab)+/ matches? . ! => t (+ applies to "ab")
"dog" R/ cat|dog/ matches? . ! => t (either word)
"$100.50" R/ \$\d+(\.\d{2})?/ matches? . ! => t
"$100" R/ \$\d+(\.\d{2})?/ matches? . ! => t (the group is optional)
El último patrón se lee «un signo de dólar, uno o más dígitos y,
después, un grupo opcional formado por un punto y dos dígitos».
Nota: en Factor, un grupo solo estructura el patrón. A diferencia de
otras herramientas de expresiones regulares, no puedes recuperar el
texto con el que ha coincidido un grupo: no hay extracción de grupos
de captura y las retrorreferencias como \1 no son compatibles. Para
extraer texto alrededor de una referencia, usa en su lugar la
lookaround (más abajo).
Lookaround: coincide por contexto, sin consumirlo
Una lookaround comprueba lo que hay justo antes o justo después del
punto actual sin que esos caracteres formen parte de la coincidencia.
Tiene «ancho cero»: lo que comprueba no se incluye en el resultado.
(?=...) ! lookahead: ... must follow
(?!...) ! negative lookahead: ... must NOT follow
(?<=...) ! lookbehind: ... must come before
(?<!...) ! negative lookbehind: ... must NOT come before
La lookaround es selectiva: los mismos caracteres coinciden o no en
función de lo que tengan al lado. Un simple \d+ captura todos los
números; el lookbehind y el lookahead conservan solo los que tienen el
vecino adecuado:
USING: regexp ;
"3 for $10 or 10 for $30" R/ \d+/ all-matching-subseqs .
! => { "3" "10" "10" "30" } (every number)
"3 for $10 or 10 for $30" R/ (?<=\$)\d+/ all-matching-subseqs .
! => { "10" "30" } (only the prices — the bare 3 and 10 drop)
"buy 2 at 15% off, 4 at 30% off" R/ \d+(?=%)/ all-matching-subseqs .
! => { "15" "30" } (only the discounts — the bare 2 and 4 drop)
Opciones
Añade una letra después de la / de cierre para cambiar el
comportamiento de todo el patrón. i hace que no distinga entre
mayúsculas y minúsculas:
USING: regexp ;
"REFUND" R/ refund/i matches? . ! => t
"Refund" R/ refund/i matches? . ! => t
all-matching-subseqs te da el texto coincidente. map-matches va un
paso más allá: ejecuta una quotation en cada coincidencia y recoge los
resultados. La quotation recibe el índice start de la coincidencia, su
índice end y el string completo; subseq convierte esos tres
elementos en el texto coincidente, que después transformas:
map-matches ( string regexp quot: ( start end string -- obj ) -- seq )
USING: math regexp sequences ;
"a1 b22 c333" R/ \d+/ [ subseq length ] map-matches .
! => { 1 2 3 } (the length of each run of digits)
Su prima each-match, que solo produce efectos
secundarios, ejecuta una quotation en cada coincidencia sin recoger
nada.
Ejercicio de aprendizaje
