EXPRESIONES REGULARES
Java Regex - Sintaxis de expresiones regulares
La búsqueda de caracteres o secuencias concretas de caracteres en documentos forma parte
de las tareas estándar y recurrentes de la tecnología de la información. Por lo general, el
objetivo es modificar o sustituir fragmentos de texto o líneas de código, cuya complejidad
aumenta en función de las veces que la secuencia de caracteres aparece en el documento. En
la década de 1950 se encontró una solución basada en las lenguas formales de la informática
teórica que sigue presente en el desarrollo actual de software y que permite simplificar estas
tareas repetitivas mediante el uso de las denominadas expresiones regulares (en inglés,
regular expressions).
Una expresión regular define un patrón de búsqueda de cadenas. La abreviatura de expresión
regular es regex. El patrón de búsqueda puede ser cualquier cosa, desde un carácter simple,
una cadena fija o una expresión compleja que contiene caracteres especiales que describen
el patrón. El patrón definido por la expresión regular puede coincidir una o varias veces o no
coincidir en absoluto para una cadena determinada.
Las regex son las unidades de descripción de los lenguajes regulares, que se incluyen en
los denominados lenguajes formales. Son un instrumento clave de la informática teórica, la
cual, entre otras cosas, establece las bases para el desarrollo y la ejecución de programas
informáticos, así como para la construcción del compilador necesario para ello. Es por esto
que las expresiones regulares, también denominadas regex y basadas en reglas sintácticas
claramente definidas, se utilizan principalmente en el ámbito del desarrollo de software.
El proceso de analizar o modificar un texto con una expresión regular se llama: La expresión
regular se aplica al texto / cadena. El patrón definido por la expresión regular se aplica al
texto de izquierda a derecha. Una vez que se ha utilizado un carcter de origen en una
busqueda, no se puede reutilizar. Por ejemplo, la expresión regular aba coincidirá con
ababababa solo dos veces (aba_aba__).
¿Qué reglas sintácticas son válidas para las
expresiones regulares?
Las expresiones regulares se pueden aplicar en diversos lenguajes, tales como Perl, Python,
Ruby, JavaScript, XML o HTML, por lo que los usos o funciones pueden llegar a ser muy
diferentes. En JavaScript los patrones regex se utilizan, por ejemplo, en los métodos de
cadena search(), match() o replace(), mientras que las expresiones en documentos XML
sirven para limitar elementos de contenido. En lo que respecta a la sintaxis, entre los
diferentes lenguajes de programación y lenguajes de marcado apenas hay diferencias en
cuanto a las expresiones regulares.
Así, una expresión regular puede estar formada por hasta tres partes, independientemente del
lenguaje en el que se va a utilizar:
Pattern (patrón El elemento central es el patrón, esto es, el patrón de búsqueda
de búsqueda)
general. Tal y como hemos explicado antes, se puede formar a partir
de caracteres simples o a partir de una combinación de caracteres
simples y especiales.
Delimiter
(delimitador)
El inicio y el final del patrón se identifican con delimitadores. Los
delimitadores son, básicamente, todos los caracteres no
alfanuméricos (excepto la barra diagonal inversa). Por ejemplo, para
PHP las almohadillas (#pattern#), los signos de porcentaje
(%pattern%), el signo más (+pattern+) o las tildes (~pattern~) son
delimitadores. La mayoría de lenguajes ya usan las comillas
(“pattern”) o las barras diagonales (/pattern/).
Modifier
(modificador)
Los modificadores pueden añadirse a un patrón de búsqueda para
modificar la expresión regular. Un ejemplo es el modificador i, el cual
anula la distinción entre mayúsculas y minúsculas. Garantiza que las
mayúsculas y las minúsculas se tienen en consideración y que valen
por defecto para todas las expresiones regulares.
Para usar expresiones regulares de manera efectiva en Java, necesita conocer la sintaxis. La
sintaxis es extensa, lo que le permite escribir expresiones regulares muy avanzadas. Puede
que sea necesario mucho ejercicio para dominar completamente la sintaxis.
En este texto, analizaré los conceptos básicos de la sintaxis con ejemplos. No cubriré cada
pequeño detalle de la sintaxis, pero me enfocaré en los conceptos principales que necesita
comprender para trabajar con expresiones regulares. Para obtener una explicación completa,
consulte la página JavaDoc de la clase Pattern.
Sintaxis básica
Antes de mostrar todas las opciones avanzadas que puede usar en las expresiones regulares
de Java, le daré un resumen rápido de los conceptos básicos de la sintaxis de las expresiones
regulares de Java.
También puede hacer referencia a símbolos a través de sus códigos octales, hexadecimales o
Unicode. A continuación, se muestran dos ejemplos:
\0101
\x41
\u0041
Éstas tres expresiones se refieren al símbolo A en mayúscula. El primero usa el código octal
(101) para A, el segundo usa el código hexadecimal (41) y el tercero usa el código Unicode
(0041).
Expresiones regulares de un elemento
La forma regex más sencilla es un patrón de búsqueda que tan solo prevé un único elemento
como resultado. Este tipo de expresión regular de un elemento puede, por ejemplo, definirse
sin problemas usando una clase de caracteres, siempre y cuando no se esté buscando un
elemento concreto. La siguiente expresión permite opcionalmente los dígitos “1”, “2”, “3”,
“4”, “5”, “6” o “7” como posible resultado:
[1234567]
[1245367]
[7654321]
…
O cualquier combinación de ellos referencían a la misma clase de caracteres
Es importante denotar que los corchetes cuadrados representan si y solo si un carácter.
Este ejemplo busca todas las apariciones de la palabra John, con una J minúscula o
mayúscula:
[Jj]ohn
La clase de símbolos [Jj] coincidirá con una J (Mayuscula) o con una j (minúscula), y el resto
de la expresión coincidirá con los símbolos ohn en esa secuencia y longitud exacta.
En el caso anterior, los números son directamente consecutivos (del 1 al 7), por lo que
también se permite la siguiente grafía simplificada:
[1-7]
[1234567]
Que hace referencia a la clase del símbolo del 1 al 7.
En caso de que la expresión regular deba modificarse para excluir de la búsqueda el dígito
“4”, también se puede utilizar la variante más simple con el signo menos:
[1-35-7]
[123567]
Nota:
Los caracteres de un patrón regex no se separan con espacios.
Expresiones regulares de varios elementos
En el caso de las expresiones regulares de varios elementos, también se puede trabajar con
clases de caracteres para permitir resultados diferentes. Si la expresión tiene que incluir, por
ejemplo, dos elementos para los que se pueden esperar diferentes resultados, entonces basta
con colocar dos clases de caracteres una después de la otra:
[1-7][a-c]
[1234567][abc]
…
1a, 1b, 1c, 2a, 2b, 2c, …
Como primer elemento, ha de aparecer un número de entre el “1” y el “7”, seguido de una
letra “a”, “b” o “c”. Recordamos que aquí las minúsculas son obligatorias. Sin profundizar
en los modificadores, con este pequeño ajuste de la expresión puedes incluir las
mayúsculas:
[1-7][a-cA-C]
…
1a, 1A, 1b, 1B, 1c, 1C, 2a, 2A, …
¿Qué representan los siguientes patrones?:
1. [A-Z][A-Z] [A-Z] [A-Z] [0-9] [0-9] [0-9] [0-9] [0-9] [0-9]
2. [+-][$ç][0-9] [0-9] [0-9][,] [0-9] [0-9] [0-9][,] [0-9] [0-9] [0-9][.] [0-9] [0-9]
Comúnmente las llaves son caracteres literales cuando se utilizan por separado en una
expresión regular. Para que adquieran su función de metacaracteres es necesario que
encierren uno o varios números separados por coma y que estén colocados a la derecha de
otra expresión regular para los ejemplos anteriores sería de la siguiente forma:
[A-Z]{4}[0-9]{6}
[+-][$Ç][0-9]{3}[,][0-9]{3}[0-9][3][.][0-9]{2}
Son utilizados para indicar el número de veces que puede darse una coincidencia. Un número
entre llaves ({3}) indica el número exacto de coincidencias. Dos números separados por una
coma ({2,4}), indica que puede coincidir al menos tantas veces como el primer número (2),
y cómo máximo tantas veces como el segundo número (4). De manera similar, {2,} significa
que al menos ocurre dos veces y {,4}, que como máximo ocurre cuatro veces.
Las varaciones en las llaves nos permiten ampliar las posibilidades de reconocimiento en los
patrones, por ejemplo:
[0-9]{2,6}
Nos refiere a que símbolo [0-9] se puede repetir como mínimo 2 veces y como máximo 6
veces, tal como se puede observar a continuación:
[0-9]{2,6}
…
12
se repite 2 veces
123
se repite 3 veces
1234
se repite 4 veces
12345
se repite 5 veces
123456 se repite 6 veces
1
1234567
no es válido, como mínimo es una repetición de 2 veces
no es válido, como máximo es una repetición de 6 veces
Existen casos en que no se tiene determinado el máximo o el mínimo de repeticiones para un
símbolo como en los espacios en blanco entre palabras o el número de dígitos fraccionarios
en un numero decimal.
[+-]\s{1,}[0-9]{2,6}
El \s (espacio en blanco) se puede repetir 1 o muchas veces (sin determinar)
…
- 22
1 espacio en blanco
- 22
2 espacios en blanco
22 3 espacios en blanco
…
[0-9]{,4}
{2, }
El número puede estar conformado como máximo de 4 cifras
…
1
1 cifra
12
2 cifras
123
3 cifras
1234
4 cifras
Nota:
Cuando no se establece el límite inferior se considera que se puede repetir
0 veces, es decir una cadena vacía.
Existen algunos atajos que nos permiten escribir expresiones regulares más compactas:
•
•
•
\w
\d
\s
caracteres de palabras
dígitos
espacio en blanco
([a-zA-Z0-9_])
([0-9])
([\t\r\n ])
También existen atajos de negación para los anteriores:
•
•
•
\W
\D
\S
[^\w] – Cualquier símbolo menos palabra
[^\d] - Cualquier símbolo menos dígito
[^\s] - Cualquier símbolo menos espacio en blanco
Nota:
Si en un expresión regular queremos incluir el carácter \ como símbolo,
tendremos que escribirlo dos veces: \\.
Para los ejemplos anteriores se podrían reescribir de la siguiente forma:
[A-Z]{4}\d{6}
[+-][$Ç]\d{3}[,]\d{3}[,]\d[3][.]\d{2}
En ciertas ocasiones se requiere que los números, las comas y el punto tengan un espacio
para una mejor lectura, es por eso que podríamos cambiar nuestro ejemplo de la siguiente
forma:
[+-][$Ç]\d{3}\s[,]\d{3}[,]\s\d[3][.]\s\d{2}
…
-$123 , 456 , 789 . 89
Al margen de si se buscan varios elementos en una única expresión regular o con ayuda de
varios grupos de caracteres, es posible que determinados elementos solo se deban o
puedan incluir en determinadas condiciones. Este puede ser, por ejemplo, el caso de una
expresión regular que debe filtrar todos los números de casa de las direcciones. En los casos
en los que el número de casa sea un único dígito, puede coincidir con algunos resultados
en los que el número está compuesto por dos o incluso tres dígitos. Además, hay
direcciones en las que el número de casa incluye también una letra. Para abarcar todas
estas posibles combinaciones, puedes usar las siguientes instrucciones regex:
? Sustituye {0,1}
[1-9][0-9]?[0-9]?[a-z]?
El único elemento obligatorio de este patrón de búsqueda es un número del “1” al “9”. Pueden
estar seguidos opcionalmente tanto por dos dígitos del “0” al “9”, como por una letra
cualquiera. Todas las opciones posibles se marcan con el signo de interrogación visto arriba.
Aunque la construcción de números de tres dígitos con letras adicionales resulta bastante
clara, los números de hasta diez dígitos tienen un aspecto bastante diferente. En este caso
recomendamos utilizar las llaves tal y como se muestra en la siguiente expresión regular:
[1-9][0-9]{,9}[a-z]?
Haciendo otra modificación al ejemplo realizado anteriormente:
[+-]?[$Ç]?\d{3}\s[,]\d{3}[,]\s\d[3][.]\s\d{2}
…
-$123 , 456 , 789 . 89
-123 , 456 , 789 . 89
$123 , 456 , 789 . 89
123 , 456 , 789 . 89
Clases de símbolos predefinidas
La sintaxis de expresiones regulares de Java tiene algunas clases de símbolos predefinidas
que puede utilizar.
Por ejemplo, la clase de símbolo \ d coincide con cualquier dígito,
la clase de símbolo \ s coincide con cualquier símbolo de espacio en blanco y
el símbolo \ w coincide con cualquier símbolo de palabra.
Las clases de símbolos predefinidas no tienen que estar entre corchetes, pero puede hacerlo
si desea combinarlas. Aquí están algunos ejemplos:
\d
[\d\s]
El primer ejemplo coincide con cualquier símbolo de dígito.
El segundo ejemplo coincide con cualquier dígito o espacio en blanco.
Las clases de símbolos predefinidas se enumeran en una tabla más adelante en este texto.
Comparadores de límites
La sintaxis también incluye comparadores para hacer coincidir límites, como límites entre
palabras, el principio y el final del texto de entrada, etc.
Por ejemplo,
\w
coincide con los límites entre palabras,
^
coincide con el comienzo de una línea y
$
coincide con el final de una línea.
Aquí hay un ejemplo de comparador de límites:
^Esta es una simple linea$
Otros Cuantificadores
Como mostramos anteriormente con las llaves y el signo de interrogación, los cuantificadores
son signos que se ponen detrás de un determinado patrón de búsqueda, y que indican las
veces que debe aparecer en el texto para ajustarse al patrón.
El símbolo * es un cuantificador que significa "cero o más veces".
{0, }
También hay un cuantificador + que significa “una o más veces”,
{1, }
y algunos otros que puede ver en la tabla de cuantificadores más adelante en este texto.
\d+
…
1, 12, 123, 1234, …
\*
, 1, 2, 3, 4, 5, …
Los cuantificadores pueden ser "reacios", "codiciosos" o "posesivos". Un cuantificador
reacio coincidirá lo menos posible con el texto de entrada. Un cuantificador codicioso
coincidirá tanto como sea posible con el texto de entrada. Un cuantificador posesivo
coincidirá tanto como sea posible, incluso si hace que el resto de la expresión no coincida
con nada y que la expresión falle al encontrar una coincidencia.
Ilustraré la diferencia entre cuantificadores reacios, codiciosos y posesivos con un ejemplo.
Aquí hay un texto de entrada:
John went for a walk, and John fell down, and John hurt his knee.
Luego, observe la siguiente expresión con un cuantificador reacio:
John.*?
Esta expresión coincidirá con la palabra John seguida de cero o más símbolos. significa
"cualquier símbolo", y el * significa "cero o más veces". Los ? después de que * hace que *
sea un cuantificador reacio.
Al ser un cuantificador reacio, el cuantificador coincidirá lo menos posible, es decir, cero
símbolos. Por tanto, la expresión encontrará la palabra John con cero símbolos después, 3
veces en el texto de entrada anterior.
Si cambiamos el cuantificador a un cuantificador codicioso, la expresión se verá así:
John.*
El cuantificador codicioso coincidirá con tantos símbolos como sea posible. Ahora la
expresión solo coincidirá con la primera aparición de John, y el cuantificador codicioso
coincidirá con el resto de los símbolos del texto de entrada. Por lo tanto, solo se encuentra
una coincidencia.
Finalmente, cambiemos un poco la expresión para que contenga un cuantificador posesivo:
John.*+hurt
El + después del * lo convierte en un cuantificador posesivo.
Esta expresión no coincidirá con el texto de entrada proporcionado anteriormente, incluso si
las palabras John y hurt se encuentran en el texto de entrada. ¿Porqué es eso? Porque el. * +
Es posesivo. En lugar de hacer coincidir tanto como sea posible para que la expresión
coincida, como habría hecho un cuantificador codicioso, el cuantificador posesivo coincide
tanto como sea posible, independientemente de si la expresión coincidirá o no.
El. * + Coincidirá con todos los símbolos después de la primera aparición de John en el texto
de entrada, incluida la palabra hurt. Por lo tanto, no queda ninguna palabra que coincidir,
cuando el cuantificador posesivo ha reclamado su coincidencia.
Si cambia el cuantificador a un cuantificador codicioso, la expresión coincidirá con el texto
de entrada una vez. Así es como se ve la expresión con un cuantificador codicioso:
John.*hurt
Tendrá que jugar con los diferentes cuantificadores y tipos para comprender cómo funcionan.
Consulte la tabla más adelante en este texto para obtener una lista completa de
cuantificadores.
Operadores lógicos
La sintaxis de la expresión regular de Java también admite algunos operadores lógicos (y, o
no).
El operador y está implícito. Cuando escribe la expresión John, significa "J y o y h y n".
El operador o es explícito y se escribe con |. Por ejemplo, la expresión John | hurt coincidirá
con la palabra John o con la palabra hurt.
Símbolos
Símbolo
x
\\
\0n
\0nn
\0mnn
\xhh
\uhhhh
\t
\n
\r
\f
\a
\e
Ocurrencia
Se puede usar cualquier símbolo del alfabeto en lugar de x.
El símbolo de barra invertida. Una sola barra invertida se utiliza como símbolo
de escape junto con otros símbolos para señalar una coincidencia especial. De
ahí la doble barra invertida para que coincida con un solo símbolo de barra
invertida.
El símbolo con valor octal 0n. n debe estar entre 0 y 7.
El símbolo con valor octal 0nn. n debe estar entre 0 y 7.
El símbolo con valor octal 0mnn. m debe estar entre 0 y 3, n debe estar entre
0 y 7.
El símbolo con el valor hexadecimal 0xhh.
El símbolo con el valor hexadecimal 0xhhhh.
El símbolo de tabulación.
El símbolo de nueva línea (salto de línea) (unicode: '\ u000A').
El símbolo de retorno de carro (unicode: '\ u000D').
El símbolo de “form-feed” (unicode: '\ u000C').
El símbolo de alerta (campana) (unicode: '\ u0007').
El símbolo escape (unicode: '\ u001B').
\cx
El símbolo de control correspondiente ax.
Clases de Símbolos
Símbolo
[abc]
[^abc]
[a-zA-Z]
[a-d[m-p]]
[a-z&&[def]]
[a-z&&[^bc]]
[a-z&&[^m-p]]
Coincidencias
Coincide con a, b o c. Esto se llama un conjunto simple y coincide con
cualquiera de los símbolos del conjunto.
Coincide con cualquier símbolo excepto a, b y c. Esta es una negación.
Coincide con cualquier símbolo de la a a la z, o de la A a la Z, incluidos
a, A, z y Z. Esto se denomina rango.
Coincide con cualquier símbolo desde a hasta d, o desde m hasta p. A
esto se le llama unión.
Coincide con d, e o f. Esto se denomina intersección (aquí entre el rango
a-z y los caracteres d e f).
Coincide con todos los caracteres de la a a la z excepto by c. Esto se
llama resta.
Coincide con todos los símbolos de la a a la z excepto los caracteres de
la m a la p. Esto también se llama resta.
Clases de símbolos predefinidas
Símbolo
.
\d
\D
\s
\S
\w
\W
Coincidencias
Coincide con cualquier símbolo individual. Puede que coincida o no con los
terminadores de línea, según los indicadores que se utilizaron para compilar
el patrón.
Coincide con cualquier símbolo digito [0-9]
Coincide con cualquier símbolo no digito [^0-9]
Coincide con cualquier carácter de espacio en blanco (espacio, tabulación,
salto de línea, retorno de carro)
Coincide con cualquier símbolo no espacio en blanco.
Coincide con cualquier símbolo word.
Coincide con cualquier símbolo no word.
Cuantificadores
Codiciosas
X?
Renuentes
X??
Posesivas
X?+
Coincidencias
Coincide con X una vez, o no coincide (0 o 1 vez).
X*
X+
X{n}
X{n,}
X*?
X+?
X{n}?
X{n,}?
X*+
X++
X{n}+
X{n,}+
X{n, m)
X{n, m)?
X{n, m)+
Coincide con X cero o más veces.
Coincide con X una o más veces.
Coincide con X exactamente n veces.
Coincide con X al menos n veces.
Coincide con X al menos n veces, pero como
máximo m veces.
Evaluar cadenas que son un número real con signo con
exponente e x10
1.0, +12.34e5, -100.456E-10, 023.00e+3, …
import java.util.regex.Pattern;
public class PatternMatchesExample {
public static void main(String[] args) {
String pattern = “[+-]?\\d+\\.\\d+[eE][+-]?\\d+”;
String text = “z“;
boolean matches = Pattern.matches(pattern, text);
if(matches)
{ System.out.println(“Es un real con exponente”); }
else{ System.out.println("No es un real con exponente“); }
}
}
