Conosci già le basi: classi di caratteri come \d e [A-Z],
quantificatori come {4} e +, e le parole matches?,
all-matching-subseqs e re-replace. Questo esercizio aggiungerà le parti
delle espressioni regolari che descrivono struttura e contesto. Vivono
nello stesso vocabolario regexp, scritto con lo stesso
letterale R/ /.
Ancore
Le ancore corrispondono a una posizione invece che a un carattere:
^ ! the start of the string
$ ! the end of the string
\b ! a word boundary
Dato che $ indica la fine della stringa, scrivi \$ quando vuoi
indicare un simbolo del dollaro letterale.
Un confine di parola (\b) è il punto in cui un carattere di parola
incontra un carattere che non lo è. I caratteri di parola sono lettere,
cifre e il trattino basso; tutto il resto (spazi, punteggiatura e le due
estremità della stringa) conta come confine. Quindi \bcat\b corrisponde
a cat solo quando è da solo:
USING: regexp ;
"cat nap" R/ \bcat\b/ re-contains? . ! => t
"scatter" R/ \bcat\b/ re-contains? . ! => f (cat sits inside a word)
Raggruppamento e alternanza
Le parentesi tonde ( ) raggruppano parte di un pattern, così che un
quantificatore, o una | (che significa «questo o quello»), si
applichi all'intero gruppo:
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)
L'ultimo pattern si legge così: «un simbolo del dollaro, una o più cifre,
poi un gruppo opzionale formato da un punto e due cifre».
Nota: in Factor un gruppo si limita a strutturare il pattern. A
differenza di alcuni strumenti per le espressioni regolari, non puoi
recuperare il testo con cui il gruppo ha corrisposto: non esiste
l'estrazione dei gruppi di cattura, e i backreference come \1 non sono
supportati. Per estrarre il testo attorno a un punto di riferimento,
usa invece il lookaround (più avanti).
Lookaround: corrispondere in base al contesto, senza consumarlo
Un lookaround controlla cosa viene subito prima o subito dopo il punto
corrente senza rendere quei caratteri parte della corrispondenza. È a
«larghezza zero»: ciò che verifica non è incluso nel risultato.
(?=...) ! lookahead: ... must follow
(?!...) ! negative lookahead: ... must NOT follow
(?<=...) ! lookbehind: ... must come before
(?<!...) ! negative lookbehind: ... must NOT come before
Il lookaround è selettivo: gli stessi caratteri corrispondono o no a
seconda di cosa hanno accanto. Un semplice \d+ prende tutti i numeri; il
lookbehind e il lookahead tengono solo quelli con il vicino giusto:
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)
Opzioni
Aggiungi una lettera dopo la / di chiusura per cambiare il comportamento
dell'intero pattern. La i lo rende insensibile alle maiuscole e alle
minuscole:
USING: regexp ;
"REFUND" R/ refund/i matches? . ! => t
"Refund" R/ refund/i matches? . ! => t
all-matching-subseqs ti dà il testo corrispondente. map-matches fa un
passo in più: esegue una quotation su ogni corrispondenza e raccoglie i
risultati. La quotation riceve l'indice start della corrispondenza, il
suo indice end e l'intera stringa; subseq trasforma quei tre elementi
nel testo corrispondente, che poi puoi trasformare:
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)
Il suo cugino che si limita agli effetti collaterali,
each-match, esegue una quotation su ogni corrispondenza
senza raccogliere nulla.
Esercizio di apprendimento
