Las expresiones regulares, aunque crípticas, son una poderosa herramienta para trabajar con texto. Son usadas para reconocer patrones y procesar texto. Una expresión regular es una forma de especificar un patrón de caracteres, que será buscado en un string. En Ruby, se crean las expresiones regulares entre //. Son objetos del tipo Regexp y pueden ser manipuladas como tales.
//.class # Regexp
La forma más simple de encontrar si una expresión (también funciona con strings) está dentro de un string, es usar el método match o el operador =~:
m1 = /Ruby/.match("El futuro es Ruby")
puts m1 # "Ruby", puesto que encontró la palabra
puts m1.class # devuelve MatchData; devuelve "nil" si no se encuentra
# operador =~:
m2 = "El futuro es Ruby" =~ /Ruby/
puts m2 # 13 -> posición donde empieza la palabra "Ruby"
Cualquier carácter que vaya entre barras, se busca exactamente:
/a/ # se busca la letra a, y cualquier palabra que la contenga
Algunos caracteres tienen un significado especial en las expresiones regulares. Para evitar que se procesen, y poder buscarlos, se usa la secuencia de escape \.
/\?/
La \ significa "no trates el siguiente carácter como especial". Los caracteres especiales incluyen: ^, $, ? , ., /, \, [, ], {, }, (, ), + y *.
Algunas veces, se busca cualquier caracter en una posición determinada. Esto se logra gracias al .. Un punto, busca cualquier carácter, excepto el retorno de carro.
/.azado/
Busca mazado y cazado. También encuentra %azado y 8azado. Por eso hay que tener cuidado al usar el punto: puede dar más resultados que los deseados. Sin embargo, se pueden poner restricciones a los resultados, especificando las clases de caracteres buscadas.
Una clase de carácter es una lista explícita de caracteres. Para ello se usan los corchetes:
/[mc]azado/
De esta forma, especificamos la búsqueda de azado precedido por c o m: solamente buscamos mazado o cazado.
Dentro de los corchetes, se puede especificar un rango de búsqueda.
/[a-z]/ # encuentra cualquier minúscula
/[A-Fa-f0-9]/ # encuentra cualquier número hexadecimal
Algunas veces se necesita encontrar cualquier carácter menos aquellos de una lista específica. Este tipo de búsqueda se realiza negando, usando ^ al principio de la clase.
/[^A-Fa-f0-9]/ # encuentra cualquier carácter, menos los hexadecimales
Algunos caracteres son tan válidos, que tienen su abreviación.
Abreviaciones para clases de caracteres
Para encontrar cualquier cifra decimal, estas dos expresiones son equivalentes:
/[0-9]/
/\d/
Otras dos abreviaciones son:
\w encuentra cualquier dígito, letra, o guión bajo _.\s encuentra cualquier carácter espacio-en-blanco (character whitespace), como son un espacio, un tabulado y un retorno de carro.
Todas las abreviaciones precedentes, también tienen una forma negada. Para ello, se pone la misma letra en mayúsculas:/\D/ # busca cualquier carácter que no sea un número
/\W/ # busca cualquier carácter que no sea una letra o guión bajo
/\S/ # busca un carácter que no sea un espacio en blanco.
| expresión | significado |
|---|---|
. |
cualquier caracter |
[] |
especificación por rango. P.ej: [a-z], una letra de la a, a la z |
\w |
letra o número; es lo mismo que [0-9A-Za-z] |
\W |
cualquier carácter que no sea letra o número |
\s |
carácter de espacio; es lo mismo que [ \t\n\r\f] |
\S |
cualquier carácter que no sea de espacio |
\d |
número; lo mismo que [0-9] |
\D |
cualquier carácter que no sea un número |
\b |
retroceso (0x08), si está dentro de un rango |
\b |
límite de palabra, si NO está dentro de un rango |
\B |
no límite de palabra |
* |
cero o más repeticiones de lo que le precede |
+ |
una o más repeticiones de lo que le precede |
$ |
fin de la línea |
{m,n} |
como menos m, y como mucho n repeticiones de lo que le precede |
? |
al menos una repetición de lo que le precede; lo mismo que {0,1} |
() |
agrupar expresiones |
| || | operador lógico O, busca lo de antes o lo después |
Si no se entiende alguna de las expresiones anteriores, lo que hay que hacer es probar. Por ejemplo, veamos el caso de |. Supongamos que buscamos la palabra gato o la palabra perro:
/gato|perro/
El |es un "O lógico": se busca la palabra de la izquierda o la palabra de la derecha.
Cualquier búsqueda sucede con éxito o fracasa. Empecemos con el caso más simple: el fallo. Cuando intentas encontrar un string mediante un patrón, y el string no se encuentra, el resultado siempre es nil (nil = nada).
/a/.match("b") # nil
Sin embargo, si la búsqueda tiene éxito se devuelve un objeto MatchData. Este objeto tiene un valor 'true' desde el punto de vista booleano, y además almacena la información de lo encontrado: donde empieza (en qué carácter del string), qué porción del string ocupa,…Para poder usar esta información, hace falta almacenarla primero. Veamos un ejemplo donde buscamos un número de teléfono dentro de un string:
string = "Mi número de teléfono es (123) 555-1234."
num_expr = /\((\d{3})\)\s+(\d{3})-(\d{4})/ # expresión regular
m = num_expr.match(string) # almacenamos búsqueda
unless m
puts "No hubo concordancias."
exit
end
print "El string de la búsqueda es: "
puts m.string # string donde se efectúa la búsqueda
print "La parte del string que concuerda con la búsqueda es: "
puts m[0] # parte del string que concuerda con nuestra búsqueda
puts "Las tres capturas:"
3.times do |index|
# m.captures[index] - subcadenas encontradas (subcaden = () en la expresión)
puts "Captura ##{index + 1}: #{m.captures[index]}"
end
puts "Otra forma para poner la primera captura: "
print "Captura #1: "
puts m[1] # cada número corresponde a una captura
la salida es:
El string de la búsqueda es: Mi número de teléfono es (123) 555-1234.
La parte del string que concuerda con la búsqueda es: (123) 555-1234
Las tres capturas:
Captura #1: 123
Captura #2: 555
Captura #3: 1234
Otra forma de poner la primera captura
Captura #1: 123
Para analizar la expresión regular, hay que prestar atención a cómo están agrupadas las búsquedas entre paréntesis:
num_expr = /\((\d{3})\)\s+(\d{3})-(\d{4})/
\((\d{3})\) busca un grupo de tres números (\d{3}), entre dos paréntesis \(…\)\s+ espacio en blanco una o varias veces (\d{3}) tres números- signo menos(\d{4}) cuatro números