home *** CD-ROM | disk | FTP | other *** search
/ PC World 2005 June / PCWorld_2005-06_cd.bin / software / vyzkuste / firewally / firewally.exe / framework-2.3.exe / perlretut.pod < prev    next >
Text File  |  2003-11-07  |  101KB  |  2,524 lines

  1. =head1 NAME
  2.  
  3. perlretut - Perl regular expressions tutorial
  4.  
  5. =head1 DESCRIPTION
  6.  
  7. This page provides a basic tutorial on understanding, creating and
  8. using regular expressions in Perl.  It serves as a complement to the
  9. reference page on regular expressions L<perlre>.  Regular expressions
  10. are an integral part of the C<m//>, C<s///>, C<qr//> and C<split>
  11. operators and so this tutorial also overlaps with
  12. L<perlop/"Regexp Quote-Like Operators"> and L<perlfunc/split>.
  13.  
  14. Perl is widely renowned for excellence in text processing, and regular
  15. expressions are one of the big factors behind this fame.  Perl regular
  16. expressions display an efficiency and flexibility unknown in most
  17. other computer languages.  Mastering even the basics of regular
  18. expressions will allow you to manipulate text with surprising ease.
  19.  
  20. What is a regular expression?  A regular expression is simply a string
  21. that describes a pattern.  Patterns are in common use these days;
  22. examples are the patterns typed into a search engine to find web pages
  23. and the patterns used to list files in a directory, e.g., C<ls *.txt>
  24. or C<dir *.*>.  In Perl, the patterns described by regular expressions
  25. are used to search strings, extract desired parts of strings, and to
  26. do search and replace operations.
  27.  
  28. Regular expressions have the undeserved reputation of being abstract
  29. and difficult to understand.  Regular expressions are constructed using
  30. simple concepts like conditionals and loops and are no more difficult
  31. to understand than the corresponding C<if> conditionals and C<while>
  32. loops in the Perl language itself.  In fact, the main challenge in
  33. learning regular expressions is just getting used to the terse
  34. notation used to express these concepts.
  35.  
  36. This tutorial flattens the learning curve by discussing regular
  37. expression concepts, along with their notation, one at a time and with
  38. many examples.  The first part of the tutorial will progress from the
  39. simplest word searches to the basic regular expression concepts.  If
  40. you master the first part, you will have all the tools needed to solve
  41. about 98% of your needs.  The second part of the tutorial is for those
  42. comfortable with the basics and hungry for more power tools.  It
  43. discusses the more advanced regular expression operators and
  44. introduces the latest cutting edge innovations in 5.6.0.
  45.  
  46. A note: to save time, 'regular expression' is often abbreviated as
  47. regexp or regex.  Regexp is a more natural abbreviation than regex, but
  48. is harder to pronounce.  The Perl pod documentation is evenly split on
  49. regexp vs regex; in Perl, there is more than one way to abbreviate it.
  50. We'll use regexp in this tutorial.
  51.  
  52. =head1 Part 1: The basics
  53.  
  54. =head2 Simple word matching
  55.  
  56. The simplest regexp is simply a word, or more generally, a string of
  57. characters.  A regexp consisting of a word matches any string that
  58. contains that word:
  59.  
  60.     "Hello World" =~ /World/;  # matches
  61.  
  62. What is this perl statement all about? C<"Hello World"> is a simple
  63. double quoted string.  C<World> is the regular expression and the
  64. C<//> enclosing C</World/> tells perl to search a string for a match.
  65. The operator C<=~> associates the string with the regexp match and
  66. produces a true value if the regexp matched, or false if the regexp
  67. did not match.  In our case, C<World> matches the second word in
  68. C<"Hello World">, so the expression is true.  Expressions like this
  69. are useful in conditionals:
  70.  
  71.     if ("Hello World" =~ /World/) {
  72.         print "It matches\n";
  73.     }
  74.     else {
  75.         print "It doesn't match\n";
  76.     }
  77.  
  78. There are useful variations on this theme.  The sense of the match can
  79. be reversed by using C<!~> operator:
  80.  
  81.     if ("Hello World" !~ /World/) {
  82.         print "It doesn't match\n";
  83.     }
  84.     else {
  85.         print "It matches\n";
  86.     }
  87.  
  88. The literal string in the regexp can be replaced by a variable:
  89.  
  90.     $greeting = "World";
  91.     if ("Hello World" =~ /$greeting/) {
  92.         print "It matches\n";
  93.     }
  94.     else {
  95.         print "It doesn't match\n";
  96.     }
  97.  
  98. If you're matching against the special default variable C<$_>, the
  99. C<$_ =~> part can be omitted:
  100.  
  101.     $_ = "Hello World";
  102.     if (/World/) {
  103.         print "It matches\n";
  104.     }
  105.     else {
  106.         print "It doesn't match\n";
  107.     }
  108.  
  109. And finally, the C<//> default delimiters for a match can be changed
  110. to arbitrary delimiters by putting an C<'m'> out front:
  111.  
  112.     "Hello World" =~ m!World!;   # matches, delimited by '!'
  113.     "Hello World" =~ m{World};   # matches, note the matching '{}'
  114.     "/usr/bin/perl" =~ m"/perl"; # matches after '/usr/bin',
  115.                                  # '/' becomes an ordinary char
  116.  
  117. C</World/>, C<m!World!>, and C<m{World}> all represent the
  118. same thing.  When, e.g., C<""> is used as a delimiter, the forward
  119. slash C<'/'> becomes an ordinary character and can be used in a regexp
  120. without trouble.
  121.  
  122. Let's consider how different regexps would match C<"Hello World">:
  123.  
  124.     "Hello World" =~ /world/;  # doesn't match
  125.     "Hello World" =~ /o W/;    # matches
  126.     "Hello World" =~ /oW/;     # doesn't match
  127.     "Hello World" =~ /World /; # doesn't match
  128.  
  129. The first regexp C<world> doesn't match because regexps are
  130. case-sensitive.  The second regexp matches because the substring
  131. S<C<'o W'> > occurs in the string S<C<"Hello World"> >.  The space
  132. character ' ' is treated like any other character in a regexp and is
  133. needed to match in this case.  The lack of a space character is the
  134. reason the third regexp C<'oW'> doesn't match.  The fourth regexp
  135. C<'World '> doesn't match because there is a space at the end of the
  136. regexp, but not at the end of the string.  The lesson here is that
  137. regexps must match a part of the string I<exactly> in order for the
  138. statement to be true.
  139.  
  140. If a regexp matches in more than one place in the string, perl will
  141. always match at the earliest possible point in the string:
  142.  
  143.     "Hello World" =~ /o/;       # matches 'o' in 'Hello'
  144.     "That hat is red" =~ /hat/; # matches 'hat' in 'That'
  145.  
  146. With respect to character matching, there are a few more points you
  147. need to know about.   First of all, not all characters can be used 'as
  148. is' in a match.  Some characters, called B<metacharacters>, are reserved
  149. for use in regexp notation.  The metacharacters are
  150.  
  151.     {}[]()^$.|*+?\
  152.  
  153. The significance of each of these will be explained
  154. in the rest of the tutorial, but for now, it is important only to know
  155. that a metacharacter can be matched by putting a backslash before it:
  156.  
  157.     "2+2=4" =~ /2+2/;    # doesn't match, + is a metacharacter
  158.     "2+2=4" =~ /2\+2/;   # matches, \+ is treated like an ordinary +
  159.     "The interval is [0,1)." =~ /[0,1)./     # is a syntax error!
  160.     "The interval is [0,1)." =~ /\[0,1\)\./  # matches
  161.     "/usr/bin/perl" =~ /\/usr\/bin\/perl/;  # matches
  162.  
  163. In the last regexp, the forward slash C<'/'> is also backslashed,
  164. because it is used to delimit the regexp.  This can lead to LTS
  165. (leaning toothpick syndrome), however, and it is often more readable
  166. to change delimiters.
  167.  
  168.     "/usr/bin/perl" =~ m!/usr/bin/perl!;    # easier to read
  169.  
  170. The backslash character C<'\'> is a metacharacter itself and needs to
  171. be backslashed:
  172.  
  173.     'C:\WIN32' =~ /C:\\WIN/;   # matches
  174.  
  175. In addition to the metacharacters, there are some ASCII characters
  176. which don't have printable character equivalents and are instead
  177. represented by B<escape sequences>.  Common examples are C<\t> for a
  178. tab, C<\n> for a newline, C<\r> for a carriage return and C<\a> for a
  179. bell.  If your string is better thought of as a sequence of arbitrary
  180. bytes, the octal escape sequence, e.g., C<\033>, or hexadecimal escape
  181. sequence, e.g., C<\x1B> may be a more natural representation for your
  182. bytes.  Here are some examples of escapes:
  183.  
  184.     "1000\t2000" =~ m(0\t2)   # matches
  185.     "1000\n2000" =~ /0\n20/   # matches
  186.     "1000\t2000" =~ /\000\t2/ # doesn't match, "0" ne "\000"
  187.     "cat"        =~ /\143\x61\x74/ # matches, but a weird way to spell cat
  188.  
  189. If you've been around Perl a while, all this talk of escape sequences
  190. may seem familiar.  Similar escape sequences are used in double-quoted
  191. strings and in fact the regexps in Perl are mostly treated as
  192. double-quoted strings.  This means that variables can be used in
  193. regexps as well.  Just like double-quoted strings, the values of the
  194. variables in the regexp will be substituted in before the regexp is
  195. evaluated for matching purposes.  So we have:
  196.  
  197.     $foo = 'house';
  198.     'housecat' =~ /$foo/;      # matches
  199.     'cathouse' =~ /cat$foo/;   # matches
  200.     'housecat' =~ /${foo}cat/; # matches
  201.  
  202. So far, so good.  With the knowledge above you can already perform
  203. searches with just about any literal string regexp you can dream up.
  204. Here is a I<very simple> emulation of the Unix grep program:
  205.  
  206.     % cat > simple_grep
  207.     #!/usr/bin/perl
  208.     $regexp = shift;
  209.     while (<>) {
  210.         print if /$regexp/;
  211.     }
  212.     ^D
  213.  
  214.     % chmod +x simple_grep
  215.  
  216.     % simple_grep abba /usr/dict/words
  217.     Babbage
  218.     cabbage
  219.     cabbages
  220.     sabbath
  221.     Sabbathize
  222.     Sabbathizes
  223.     sabbatical
  224.     scabbard
  225.     scabbards
  226.  
  227. This program is easy to understand.  C<#!/usr/bin/perl> is the standard
  228. way to invoke a perl program from the shell.
  229. S<C<$regexp = shift;> > saves the first command line argument as the
  230. regexp to be used, leaving the rest of the command line arguments to
  231. be treated as files.  S<C<< while (<>) >> > loops over all the lines in
  232. all the files.  For each line, S<C<print if /$regexp/;> > prints the
  233. line if the regexp matches the line.  In this line, both C<print> and
  234. C</$regexp/> use the default variable C<$_> implicitly.
  235.  
  236. With all of the regexps above, if the regexp matched anywhere in the
  237. string, it was considered a match.  Sometimes, however, we'd like to
  238. specify I<where> in the string the regexp should try to match.  To do
  239. this, we would use the B<anchor> metacharacters C<^> and C<$>.  The
  240. anchor C<^> means match at the beginning of the string and the anchor
  241. C<$> means match at the end of the string, or before a newline at the
  242. end of the string.  Here is how they are used:
  243.  
  244.     "housekeeper" =~ /keeper/;    # matches
  245.     "housekeeper" =~ /^keeper/;   # doesn't match
  246.     "housekeeper" =~ /keeper$/;   # matches
  247.     "housekeeper\n" =~ /keeper$/; # matches
  248.  
  249. The second regexp doesn't match because C<^> constrains C<keeper> to
  250. match only at the beginning of the string, but C<"housekeeper"> has
  251. keeper starting in the middle.  The third regexp does match, since the
  252. C<$> constrains C<keeper> to match only at the end of the string.
  253.  
  254. When both C<^> and C<$> are used at the same time, the regexp has to
  255. match both the beginning and the end of the string, i.e., the regexp
  256. matches the whole string.  Consider
  257.  
  258.     "keeper" =~ /^keep$/;      # doesn't match
  259.     "keeper" =~ /^keeper$/;    # matches
  260.     ""       =~ /^$/;          # ^$ matches an empty string
  261.  
  262. The first regexp doesn't match because the string has more to it than
  263. C<keep>.  Since the second regexp is exactly the string, it
  264. matches.  Using both C<^> and C<$> in a regexp forces the complete
  265. string to match, so it gives you complete control over which strings
  266. match and which don't.  Suppose you are looking for a fellow named
  267. bert, off in a string by himself:
  268.  
  269.     "dogbert" =~ /bert/;   # matches, but not what you want
  270.  
  271.     "dilbert" =~ /^bert/;  # doesn't match, but ..
  272.     "bertram" =~ /^bert/;  # matches, so still not good enough
  273.  
  274.     "bertram" =~ /^bert$/; # doesn't match, good
  275.     "dilbert" =~ /^bert$/; # doesn't match, good
  276.     "bert"    =~ /^bert$/; # matches, perfect
  277.  
  278. Of course, in the case of a literal string, one could just as easily
  279. use the string equivalence S<C<$string eq 'bert'> > and it would be
  280. more efficient.   The  C<^...$> regexp really becomes useful when we
  281. add in the more powerful regexp tools below.
  282.  
  283. =head2 Using character classes
  284.  
  285. Although one can already do quite a lot with the literal string
  286. regexps above, we've only scratched the surface of regular expression
  287. technology.  In this and subsequent sections we will introduce regexp
  288. concepts (and associated metacharacter notations) that will allow a
  289. regexp to not just represent a single character sequence, but a I<whole
  290. class> of them.
  291.  
  292. One such concept is that of a B<character class>.  A character class
  293. allows a set of possible characters, rather than just a single
  294. character, to match at a particular point in a regexp.  Character
  295. classes are denoted by brackets C<[...]>, with the set of characters
  296. to be possibly matched inside.  Here are some examples:
  297.  
  298.     /cat/;       # matches 'cat'
  299.     /[bcr]at/;   # matches 'bat, 'cat', or 'rat'
  300.     /item[0123456789]/;  # matches 'item0' or ... or 'item9'
  301.     "abc" =~ /[cab]/;    # matches 'a'
  302.  
  303. In the last statement, even though C<'c'> is the first character in
  304. the class, C<'a'> matches because the first character position in the
  305. string is the earliest point at which the regexp can match.
  306.  
  307.     /[yY][eE][sS]/;      # match 'yes' in a case-insensitive way
  308.                          # 'yes', 'Yes', 'YES', etc.
  309.  
  310. This regexp displays a common task: perform a case-insensitive
  311. match.  Perl provides away of avoiding all those brackets by simply
  312. appending an C<'i'> to the end of the match.  Then C</[yY][eE][sS]/;>
  313. can be rewritten as C</yes/i;>.  The C<'i'> stands for
  314. case-insensitive and is an example of a B<modifier> of the matching
  315. operation.  We will meet other modifiers later in the tutorial.
  316.  
  317. We saw in the section above that there were ordinary characters, which
  318. represented themselves, and special characters, which needed a
  319. backslash C<\> to represent themselves.  The same is true in a
  320. character class, but the sets of ordinary and special characters
  321. inside a character class are different than those outside a character
  322. class.  The special characters for a character class are C<-]\^$>.  C<]>
  323. is special because it denotes the end of a character class.  C<$> is
  324. special because it denotes a scalar variable.  C<\> is special because
  325. it is used in escape sequences, just like above.  Here is how the
  326. special characters C<]$\> are handled:
  327.  
  328.    /[\]c]def/; # matches ']def' or 'cdef'
  329.    $x = 'bcr';
  330.    /[$x]at/;   # matches 'bat', 'cat', or 'rat'
  331.    /[\$x]at/;  # matches '$at' or 'xat'
  332.    /[\\$x]at/; # matches '\at', 'bat, 'cat', or 'rat'
  333.  
  334. The last two are a little tricky.  in C<[\$x]>, the backslash protects
  335. the dollar sign, so the character class has two members C<$> and C<x>.
  336. In C<[\\$x]>, the backslash is protected, so C<$x> is treated as a
  337. variable and substituted in double quote fashion.
  338.  
  339. The special character C<'-'> acts as a range operator within character
  340. classes, so that a contiguous set of characters can be written as a
  341. range.  With ranges, the unwieldy C<[0123456789]> and C<[abc...xyz]>
  342. become the svelte C<[0-9]> and C<[a-z]>.  Some examples are
  343.  
  344.     /item[0-9]/;  # matches 'item0' or ... or 'item9'
  345.     /[0-9bx-z]aa/;  # matches '0aa', ..., '9aa',
  346.                     # 'baa', 'xaa', 'yaa', or 'zaa'
  347.     /[0-9a-fA-F]/;  # matches a hexadecimal digit
  348.     /[0-9a-zA-Z_]/; # matches a "word" character,
  349.                     # like those in a perl variable name
  350.  
  351. If C<'-'> is the first or last character in a character class, it is
  352. treated as an ordinary character; C<[-ab]>, C<[ab-]> and C<[a\-b]> are
  353. all equivalent.
  354.  
  355. The special character C<^> in the first position of a character class
  356. denotes a B<negated character class>, which matches any character but
  357. those in the brackets.  Both C<[...]> and C<[^...]> must match a
  358. character, or the match fails.  Then
  359.  
  360.     /[^a]at/;  # doesn't match 'aat' or 'at', but matches
  361.                # all other 'bat', 'cat, '0at', '%at', etc.
  362.     /[^0-9]/;  # matches a non-numeric character
  363.     /[a^]at/;  # matches 'aat' or '^at'; here '^' is ordinary
  364.  
  365. Now, even C<[0-9]> can be a bother the write multiple times, so in the
  366. interest of saving keystrokes and making regexps more readable, Perl
  367. has several abbreviations for common character classes:
  368.  
  369. =over 4
  370.  
  371. =item *
  372.  
  373. \d is a digit and represents [0-9]
  374.  
  375. =item *
  376.  
  377. \s is a whitespace character and represents [\ \t\r\n\f]
  378.  
  379. =item *
  380.  
  381. \w is a word character (alphanumeric or _) and represents [0-9a-zA-Z_]
  382.  
  383. =item *
  384.  
  385. \D is a negated \d; it represents any character but a digit [^0-9]
  386.  
  387. =item *
  388.  
  389. \S is a negated \s; it represents any non-whitespace character [^\s]
  390.  
  391. =item *
  392.  
  393. \W is a negated \w; it represents any non-word character [^\w]
  394.  
  395. =item *
  396.  
  397. The period '.' matches any character but "\n"
  398.  
  399. =back
  400.  
  401. The C<\d\s\w\D\S\W> abbreviations can be used both inside and outside
  402. of character classes.  Here are some in use:
  403.  
  404.     /\d\d:\d\d:\d\d/; # matches a hh:mm:ss time format
  405.     /[\d\s]/;         # matches any digit or whitespace character
  406.     /\w\W\w/;         # matches a word char, followed by a
  407.                       # non-word char, followed by a word char
  408.     /..rt/;           # matches any two chars, followed by 'rt'
  409.     /end\./;          # matches 'end.'
  410.     /end[.]/;         # same thing, matches 'end.'
  411.  
  412. Because a period is a metacharacter, it needs to be escaped to match
  413. as an ordinary period. Because, for example, C<\d> and C<\w> are sets
  414. of characters, it is incorrect to think of C<[^\d\w]> as C<[\D\W]>; in
  415. fact C<[^\d\w]> is the same as C<[^\w]>, which is the same as
  416. C<[\W]>. Think DeMorgan's laws.
  417.  
  418. An anchor useful in basic regexps is the S<B<word anchor> >
  419. C<\b>.  This matches a boundary between a word character and a non-word
  420. character C<\w\W> or C<\W\w>:
  421.  
  422.     $x = "Housecat catenates house and cat";
  423.     $x =~ /cat/;    # matches cat in 'housecat'
  424.     $x =~ /\bcat/;  # matches cat in 'catenates'
  425.     $x =~ /cat\b/;  # matches cat in 'housecat'
  426.     $x =~ /\bcat\b/;  # matches 'cat' at end of string
  427.  
  428. Note in the last example, the end of the string is considered a word
  429. boundary.
  430.  
  431. You might wonder why C<'.'> matches everything but C<"\n"> - why not
  432. every character? The reason is that often one is matching against
  433. lines and would like to ignore the newline characters.  For instance,
  434. while the string C<"\n"> represents one line, we would like to think
  435. of as empty.  Then
  436.  
  437.     ""   =~ /^$/;    # matches
  438.     "\n" =~ /^$/;    # matches, "\n" is ignored
  439.  
  440.     ""   =~ /./;      # doesn't match; it needs a char
  441.     ""   =~ /^.$/;    # doesn't match; it needs a char
  442.     "\n" =~ /^.$/;    # doesn't match; it needs a char other than "\n"
  443.     "a"  =~ /^.$/;    # matches
  444.     "a\n"  =~ /^.$/;  # matches, ignores the "\n"
  445.  
  446. This behavior is convenient, because we usually want to ignore
  447. newlines when we count and match characters in a line.  Sometimes,
  448. however, we want to keep track of newlines.  We might even want C<^>
  449. and C<$> to anchor at the beginning and end of lines within the
  450. string, rather than just the beginning and end of the string.  Perl
  451. allows us to choose between ignoring and paying attention to newlines
  452. by using the C<//s> and C<//m> modifiers.  C<//s> and C<//m> stand for
  453. single line and multi-line and they determine whether a string is to
  454. be treated as one continuous string, or as a set of lines.  The two
  455. modifiers affect two aspects of how the regexp is interpreted: 1) how
  456. the C<'.'> character class is defined, and 2) where the anchors C<^>
  457. and C<$> are able to match.  Here are the four possible combinations:
  458.  
  459. =over 4
  460.  
  461. =item *
  462.  
  463. no modifiers (//): Default behavior.  C<'.'> matches any character
  464. except C<"\n">.  C<^> matches only at the beginning of the string and
  465. C<$> matches only at the end or before a newline at the end.
  466.  
  467. =item *
  468.  
  469. s modifier (//s): Treat string as a single long line.  C<'.'> matches
  470. any character, even C<"\n">.  C<^> matches only at the beginning of
  471. the string and C<$> matches only at the end or before a newline at the
  472. end.
  473.  
  474. =item *
  475.  
  476. m modifier (//m): Treat string as a set of multiple lines.  C<'.'>
  477. matches any character except C<"\n">.  C<^> and C<$> are able to match
  478. at the start or end of I<any> line within the string.
  479.  
  480. =item *
  481.  
  482. both s and m modifiers (//sm): Treat string as a single long line, but
  483. detect multiple lines.  C<'.'> matches any character, even
  484. C<"\n">.  C<^> and C<$>, however, are able to match at the start or end
  485. of I<any> line within the string.
  486.  
  487. =back
  488.  
  489. Here are examples of C<//s> and C<//m> in action:
  490.  
  491.     $x = "There once was a girl\nWho programmed in Perl\n";
  492.  
  493.     $x =~ /^Who/;   # doesn't match, "Who" not at start of string
  494.     $x =~ /^Who/s;  # doesn't match, "Who" not at start of string
  495.     $x =~ /^Who/m;  # matches, "Who" at start of second line
  496.     $x =~ /^Who/sm; # matches, "Who" at start of second line
  497.  
  498.     $x =~ /girl.Who/;   # doesn't match, "." doesn't match "\n"
  499.     $x =~ /girl.Who/s;  # matches, "." matches "\n"
  500.     $x =~ /girl.Who/m;  # doesn't match, "." doesn't match "\n"
  501.     $x =~ /girl.Who/sm; # matches, "." matches "\n"
  502.  
  503. Most of the time, the default behavior is what is want, but C<//s> and
  504. C<//m> are occasionally very useful.  If C<//m> is being used, the start
  505. of the string can still be matched with C<\A> and the end of string
  506. can still be matched with the anchors C<\Z> (matches both the end and
  507. the newline before, like C<$>), and C<\z> (matches only the end):
  508.  
  509.     $x =~ /^Who/m;   # matches, "Who" at start of second line
  510.     $x =~ /\AWho/m;  # doesn't match, "Who" is not at start of string
  511.  
  512.     $x =~ /girl$/m;  # matches, "girl" at end of first line
  513.     $x =~ /girl\Z/m; # doesn't match, "girl" is not at end of string
  514.  
  515.     $x =~ /Perl\Z/m; # matches, "Perl" is at newline before end
  516.     $x =~ /Perl\z/m; # doesn't match, "Perl" is not at end of string
  517.  
  518. We now know how to create choices among classes of characters in a
  519. regexp.  What about choices among words or character strings? Such
  520. choices are described in the next section.
  521.  
  522. =head2 Matching this or that
  523.  
  524. Sometimes we would like to our regexp to be able to match different
  525. possible words or character strings.  This is accomplished by using
  526. the B<alternation> metacharacter C<|>.  To match C<dog> or C<cat>, we
  527. form the regexp C<dog|cat>.  As before, perl will try to match the
  528. regexp at the earliest possible point in the string.  At each
  529. character position, perl will first try to match the first
  530. alternative, C<dog>.  If C<dog> doesn't match, perl will then try the
  531. next alternative, C<cat>.  If C<cat> doesn't match either, then the
  532. match fails and perl moves to the next position in the string.  Some
  533. examples:
  534.  
  535.     "cats and dogs" =~ /cat|dog|bird/;  # matches "cat"
  536.     "cats and dogs" =~ /dog|cat|bird/;  # matches "cat"
  537.  
  538. Even though C<dog> is the first alternative in the second regexp,
  539. C<cat> is able to match earlier in the string.
  540.  
  541.     "cats"          =~ /c|ca|cat|cats/; # matches "c"
  542.     "cats"          =~ /cats|cat|ca|c/; # matches "cats"
  543.  
  544. Here, all the alternatives match at the first string position, so the
  545. first alternative is the one that matches.  If some of the
  546. alternatives are truncations of the others, put the longest ones first
  547. to give them a chance to match.
  548.  
  549.     "cab" =~ /a|b|c/ # matches "c"
  550.                      # /a|b|c/ == /[abc]/
  551.  
  552. The last example points out that character classes are like
  553. alternations of characters.  At a given character position, the first
  554. alternative that allows the regexp match to succeed will be the one
  555. that matches.
  556.  
  557. =head2 Grouping things and hierarchical matching
  558.  
  559. Alternation allows a regexp to choose among alternatives, but by
  560. itself it unsatisfying.  The reason is that each alternative is a whole
  561. regexp, but sometime we want alternatives for just part of a
  562. regexp.  For instance, suppose we want to search for housecats or
  563. housekeepers.  The regexp C<housecat|housekeeper> fits the bill, but is
  564. inefficient because we had to type C<house> twice.  It would be nice to
  565. have parts of the regexp be constant, like C<house>, and some
  566. parts have alternatives, like C<cat|keeper>.
  567.  
  568. The B<grouping> metacharacters C<()> solve this problem.  Grouping
  569. allows parts of a regexp to be treated as a single unit.  Parts of a
  570. regexp are grouped by enclosing them in parentheses.  Thus we could solve
  571. the C<housecat|housekeeper> by forming the regexp as
  572. C<house(cat|keeper)>.  The regexp C<house(cat|keeper)> means match
  573. C<house> followed by either C<cat> or C<keeper>.  Some more examples
  574. are
  575.  
  576.     /(a|b)b/;    # matches 'ab' or 'bb'
  577.     /(ac|b)b/;   # matches 'acb' or 'bb'
  578.     /(^a|b)c/;   # matches 'ac' at start of string or 'bc' anywhere
  579.     /(a|[bc])d/; # matches 'ad', 'bd', or 'cd'
  580.  
  581.     /house(cat|)/;  # matches either 'housecat' or 'house'
  582.     /house(cat(s|)|)/;  # matches either 'housecats' or 'housecat' or
  583.                         # 'house'.  Note groups can be nested.
  584.  
  585.     /(19|20|)\d\d/;  # match years 19xx, 20xx, or the Y2K problem, xx
  586.     "20" =~ /(19|20|)\d\d/;  # matches the null alternative '()\d\d',
  587.                              # because '20\d\d' can't match
  588.  
  589. Alternations behave the same way in groups as out of them: at a given
  590. string position, the leftmost alternative that allows the regexp to
  591. match is taken.  So in the last example at the first string position,
  592. C<"20"> matches the second alternative, but there is nothing left over
  593. to match the next two digits C<\d\d>.  So perl moves on to the next
  594. alternative, which is the null alternative and that works, since
  595. C<"20"> is two digits.
  596.  
  597. The process of trying one alternative, seeing if it matches, and
  598. moving on to the next alternative if it doesn't, is called
  599. B<backtracking>.  The term 'backtracking' comes from the idea that
  600. matching a regexp is like a walk in the woods.  Successfully matching
  601. a regexp is like arriving at a destination.  There are many possible
  602. trailheads, one for each string position, and each one is tried in
  603. order, left to right.  From each trailhead there may be many paths,
  604. some of which get you there, and some which are dead ends.  When you
  605. walk along a trail and hit a dead end, you have to backtrack along the
  606. trail to an earlier point to try another trail.  If you hit your
  607. destination, you stop immediately and forget about trying all the
  608. other trails.  You are persistent, and only if you have tried all the
  609. trails from all the trailheads and not arrived at your destination, do
  610. you declare failure.  To be concrete, here is a step-by-step analysis
  611. of what perl does when it tries to match the regexp
  612.  
  613.     "abcde" =~ /(abd|abc)(df|d|de)/;
  614.  
  615. =over 4
  616.  
  617. =item 0
  618.  
  619. Start with the first letter in the string 'a'.
  620.  
  621. =item 1
  622.  
  623. Try the first alternative in the first group 'abd'.
  624.  
  625. =item 2
  626.  
  627. Match 'a' followed by 'b'. So far so good.
  628.  
  629. =item 3
  630.  
  631. 'd' in the regexp doesn't match 'c' in the string - a dead
  632. end.  So backtrack two characters and pick the second alternative in
  633. the first group 'abc'.
  634.  
  635. =item 4
  636.  
  637. Match 'a' followed by 'b' followed by 'c'.  We are on a roll
  638. and have satisfied the first group. Set $1 to 'abc'.
  639.  
  640. =item 5
  641.  
  642. Move on to the second group and pick the first alternative
  643. 'df'.
  644.  
  645. =item 6
  646.  
  647. Match the 'd'.
  648.  
  649. =item 7
  650.  
  651. 'f' in the regexp doesn't match 'e' in the string, so a dead
  652. end.  Backtrack one character and pick the second alternative in the
  653. second group 'd'.
  654.  
  655. =item 8
  656.  
  657. 'd' matches. The second grouping is satisfied, so set $2 to
  658. 'd'.
  659.  
  660. =item 9
  661.  
  662. We are at the end of the regexp, so we are done! We have
  663. matched 'abcd' out of the string "abcde".
  664.  
  665. =back
  666.  
  667. There are a couple of things to note about this analysis.  First, the
  668. third alternative in the second group 'de' also allows a match, but we
  669. stopped before we got to it - at a given character position, leftmost
  670. wins.  Second, we were able to get a match at the first character
  671. position of the string 'a'.  If there were no matches at the first
  672. position, perl would move to the second character position 'b' and
  673. attempt the match all over again.  Only when all possible paths at all
  674. possible character positions have been exhausted does perl give
  675. up and declare S<C<$string =~ /(abd|abc)(df|d|de)/;> > to be false.
  676.  
  677. Even with all this work, regexp matching happens remarkably fast.  To
  678. speed things up, during compilation stage, perl compiles the regexp
  679. into a compact sequence of opcodes that can often fit inside a
  680. processor cache.  When the code is executed, these opcodes can then run
  681. at full throttle and search very quickly.
  682.  
  683. =head2 Extracting matches
  684.  
  685. The grouping metacharacters C<()> also serve another completely
  686. different function: they allow the extraction of the parts of a string
  687. that matched.  This is very useful to find out what matched and for
  688. text processing in general.  For each grouping, the part that matched
  689. inside goes into the special variables C<$1>, C<$2>, etc.  They can be
  690. used just as ordinary variables:
  691.  
  692.     # extract hours, minutes, seconds
  693.     if ($time =~ /(\d\d):(\d\d):(\d\d)/) {    # match hh:mm:ss format
  694.     $hours = $1;
  695.     $minutes = $2;
  696.     $seconds = $3;
  697.     }
  698.  
  699. Now, we know that in scalar context,
  700. S<C<$time =~ /(\d\d):(\d\d):(\d\d)/> > returns a true or false
  701. value.  In list context, however, it returns the list of matched values
  702. C<($1,$2,$3)>.  So we could write the code more compactly as
  703.  
  704.     # extract hours, minutes, seconds
  705.     ($hours, $minutes, $second) = ($time =~ /(\d\d):(\d\d):(\d\d)/);
  706.  
  707. If the groupings in a regexp are nested, C<$1> gets the group with the
  708. leftmost opening parenthesis, C<$2> the next opening parenthesis,
  709. etc.  For example, here is a complex regexp and the matching variables
  710. indicated below it:
  711.  
  712.     /(ab(cd|ef)((gi)|j))/;
  713.      1  2      34
  714.  
  715. so that if the regexp matched, e.g., C<$2> would contain 'cd' or 'ef'. For
  716. convenience, perl sets C<$+> to the string held by the highest numbered
  717. C<$1>, C<$2>, ... that got assigned (and, somewhat related, C<$^N> to the
  718. value of the C<$1>, C<$2>, ... most-recently assigned; i.e. the C<$1>,
  719. C<$2>, ... associated with the rightmost closing parenthesis used in the
  720. match).
  721.  
  722. Closely associated with the matching variables C<$1>, C<$2>, ... are
  723. the B<backreferences> C<\1>, C<\2>, ... .  Backreferences are simply
  724. matching variables that can be used I<inside> a regexp.  This is a
  725. really nice feature - what matches later in a regexp can depend on
  726. what matched earlier in the regexp.  Suppose we wanted to look
  727. for doubled words in text, like 'the the'.  The following regexp finds
  728. all 3-letter doubles with a space in between:
  729.  
  730.     /(\w\w\w)\s\1/;
  731.  
  732. The grouping assigns a value to \1, so that the same 3 letter sequence
  733. is used for both parts.  Here are some words with repeated parts:
  734.  
  735.     % simple_grep '^(\w\w\w\w|\w\w\w|\w\w|\w)\1$' /usr/dict/words
  736.     beriberi
  737.     booboo
  738.     coco
  739.     mama
  740.     murmur
  741.     papa
  742.  
  743. The regexp has a single grouping which considers 4-letter
  744. combinations, then 3-letter combinations, etc.  and uses C<\1> to look for
  745. a repeat.  Although C<$1> and C<\1> represent the same thing, care should be
  746. taken to use matched variables C<$1>, C<$2>, ... only outside a regexp
  747. and backreferences C<\1>, C<\2>, ... only inside a regexp; not doing
  748. so may lead to surprising and/or undefined results.
  749.  
  750. In addition to what was matched, Perl 5.6.0 also provides the
  751. positions of what was matched with the C<@-> and C<@+>
  752. arrays. C<$-[0]> is the position of the start of the entire match and
  753. C<$+[0]> is the position of the end. Similarly, C<$-[n]> is the
  754. position of the start of the C<$n> match and C<$+[n]> is the position
  755. of the end. If C<$n> is undefined, so are C<$-[n]> and C<$+[n]>. Then
  756. this code
  757.  
  758.     $x = "Mmm...donut, thought Homer";
  759.     $x =~ /^(Mmm|Yech)\.\.\.(donut|peas)/; # matches
  760.     foreach $expr (1..$#-) {
  761.         print "Match $expr: '${$expr}' at position ($-[$expr],$+[$expr])\n";
  762.     }
  763.  
  764. prints
  765.  
  766.     Match 1: 'Mmm' at position (0,3)
  767.     Match 2: 'donut' at position (6,11)
  768.  
  769. Even if there are no groupings in a regexp, it is still possible to
  770. find out what exactly matched in a string.  If you use them, perl
  771. will set C<$`> to the part of the string before the match, will set C<$&>
  772. to the part of the string that matched, and will set C<$'> to the part
  773. of the string after the match.  An example:
  774.  
  775.     $x = "the cat caught the mouse";
  776.     $x =~ /cat/;  # $` = 'the ', $& = 'cat', $' = ' caught the mouse'
  777.     $x =~ /the/;  # $` = '', $& = 'the', $' = ' cat caught the mouse'
  778.  
  779. In the second match, S<C<$` = ''> > because the regexp matched at the
  780. first character position in the string and stopped, it never saw the
  781. second 'the'.  It is important to note that using C<$`> and C<$'>
  782. slows down regexp matching quite a bit, and C< $& > slows it down to a
  783. lesser extent, because if they are used in one regexp in a program,
  784. they are generated for <all> regexps in the program.  So if raw
  785. performance is a goal of your application, they should be avoided.
  786. If you need them, use C<@-> and C<@+> instead:
  787.  
  788.     $` is the same as substr( $x, 0, $-[0] )
  789.     $& is the same as substr( $x, $-[0], $+[0]-$-[0] )
  790.     $' is the same as substr( $x, $+[0] )
  791.  
  792. =head2 Matching repetitions
  793.  
  794. The examples in the previous section display an annoying weakness.  We
  795. were only matching 3-letter words, or syllables of 4 letters or
  796. less.  We'd like to be able to match words or syllables of any length,
  797. without writing out tedious alternatives like
  798. C<\w\w\w\w|\w\w\w|\w\w|\w>.
  799.  
  800. This is exactly the problem the B<quantifier> metacharacters C<?>,
  801. C<*>, C<+>, and C<{}> were created for.  They allow us to determine the
  802. number of repeats of a portion of a regexp we consider to be a
  803. match.  Quantifiers are put immediately after the character, character
  804. class, or grouping that we want to specify.  They have the following
  805. meanings:
  806.  
  807. =over 4
  808.  
  809. =item *
  810.  
  811. C<a?> = match 'a' 1 or 0 times
  812.  
  813. =item *
  814.  
  815. C<a*> = match 'a' 0 or more times, i.e., any number of times
  816.  
  817. =item *
  818.  
  819. C<a+> = match 'a' 1 or more times, i.e., at least once
  820.  
  821. =item *
  822.  
  823. C<a{n,m}> = match at least C<n> times, but not more than C<m>
  824. times.
  825.  
  826. =item *
  827.  
  828. C<a{n,}> = match at least C<n> or more times
  829.  
  830. =item *
  831.  
  832. C<a{n}> = match exactly C<n> times
  833.  
  834. =back
  835.  
  836. Here are some examples:
  837.  
  838.     /[a-z]+\s+\d*/;  # match a lowercase word, at least some space, and
  839.                      # any number of digits
  840.     /(\w+)\s+\1/;    # match doubled words of arbitrary length
  841.     /y(es)?/i;       # matches 'y', 'Y', or a case-insensitive 'yes'
  842.     $year =~ /\d{2,4}/;  # make sure year is at least 2 but not more
  843.                          # than 4 digits
  844.     $year =~ /\d{4}|\d{2}/;    # better match; throw out 3 digit dates
  845.     $year =~ /\d{2}(\d{2})?/;  # same thing written differently. However,
  846.                                # this produces $1 and the other does not.
  847.  
  848.     % simple_grep '^(\w+)\1$' /usr/dict/words   # isn't this easier?
  849.     beriberi
  850.     booboo
  851.     coco
  852.     mama
  853.     murmur
  854.     papa
  855.  
  856. For all of these quantifiers, perl will try to match as much of the
  857. string as possible, while still allowing the regexp to succeed.  Thus
  858. with C</a?.../>, perl will first try to match the regexp with the C<a>
  859. present; if that fails, perl will try to match the regexp without the
  860. C<a> present.  For the quantifier C<*>, we get the following:
  861.  
  862.     $x = "the cat in the hat";
  863.     $x =~ /^(.*)(cat)(.*)$/; # matches,
  864.                              # $1 = 'the '
  865.                              # $2 = 'cat'
  866.                              # $3 = ' in the hat'
  867.  
  868. Which is what we might expect, the match finds the only C<cat> in the
  869. string and locks onto it.  Consider, however, this regexp:
  870.  
  871.     $x =~ /^(.*)(at)(.*)$/; # matches,
  872.                             # $1 = 'the cat in the h'
  873.                             # $2 = 'at'
  874.                             # $3 = ''   (0 matches)
  875.  
  876. One might initially guess that perl would find the C<at> in C<cat> and
  877. stop there, but that wouldn't give the longest possible string to the
  878. first quantifier C<.*>.  Instead, the first quantifier C<.*> grabs as
  879. much of the string as possible while still having the regexp match.  In
  880. this example, that means having the C<at> sequence with the final C<at>
  881. in the string.  The other important principle illustrated here is that
  882. when there are two or more elements in a regexp, the I<leftmost>
  883. quantifier, if there is one, gets to grab as much the string as
  884. possible, leaving the rest of the regexp to fight over scraps.  Thus in
  885. our example, the first quantifier C<.*> grabs most of the string, while
  886. the second quantifier C<.*> gets the empty string.   Quantifiers that
  887. grab as much of the string as possible are called B<maximal match> or
  888. B<greedy> quantifiers.
  889.  
  890. When a regexp can match a string in several different ways, we can use
  891. the principles above to predict which way the regexp will match:
  892.  
  893. =over 4
  894.  
  895. =item *
  896.  
  897. Principle 0: Taken as a whole, any regexp will be matched at the
  898. earliest possible position in the string.
  899.  
  900. =item *
  901.  
  902. Principle 1: In an alternation C<a|b|c...>, the leftmost alternative
  903. that allows a match for the whole regexp will be the one used.
  904.  
  905. =item *
  906.  
  907. Principle 2: The maximal matching quantifiers C<?>, C<*>, C<+> and
  908. C<{n,m}> will in general match as much of the string as possible while
  909. still allowing the whole regexp to match.
  910.  
  911. =item *
  912.  
  913. Principle 3: If there are two or more elements in a regexp, the
  914. leftmost greedy quantifier, if any, will match as much of the string
  915. as possible while still allowing the whole regexp to match.  The next
  916. leftmost greedy quantifier, if any, will try to match as much of the
  917. string remaining available to it as possible, while still allowing the
  918. whole regexp to match.  And so on, until all the regexp elements are
  919. satisfied.
  920.  
  921. =back
  922.  
  923. As we have seen above, Principle 0 overrides the others - the regexp
  924. will be matched as early as possible, with the other principles
  925. determining how the regexp matches at that earliest character
  926. position.
  927.  
  928. Here is an example of these principles in action:
  929.  
  930.     $x = "The programming republic of Perl";
  931.     $x =~ /^(.+)(e|r)(.*)$/;  # matches,
  932.                               # $1 = 'The programming republic of Pe'
  933.                               # $2 = 'r'
  934.                               # $3 = 'l'
  935.  
  936. This regexp matches at the earliest string position, C<'T'>.  One
  937. might think that C<e>, being leftmost in the alternation, would be
  938. matched, but C<r> produces the longest string in the first quantifier.
  939.  
  940.     $x =~ /(m{1,2})(.*)$/;  # matches,
  941.                             # $1 = 'mm'
  942.                             # $2 = 'ing republic of Perl'
  943.  
  944. Here, The earliest possible match is at the first C<'m'> in
  945. C<programming>. C<m{1,2}> is the first quantifier, so it gets to match
  946. a maximal C<mm>.
  947.  
  948.     $x =~ /.*(m{1,2})(.*)$/;  # matches,
  949.                               # $1 = 'm'
  950.                               # $2 = 'ing republic of Perl'
  951.  
  952. Here, the regexp matches at the start of the string. The first
  953. quantifier C<.*> grabs as much as possible, leaving just a single
  954. C<'m'> for the second quantifier C<m{1,2}>.
  955.  
  956.     $x =~ /(.?)(m{1,2})(.*)$/;  # matches,
  957.                                 # $1 = 'a'
  958.                                 # $2 = 'mm'
  959.                                 # $3 = 'ing republic of Perl'
  960.  
  961. Here, C<.?> eats its maximal one character at the earliest possible
  962. position in the string, C<'a'> in C<programming>, leaving C<m{1,2}>
  963. the opportunity to match both C<m>'s. Finally,
  964.  
  965.     "aXXXb" =~ /(X*)/; # matches with $1 = ''
  966.  
  967. because it can match zero copies of C<'X'> at the beginning of the
  968. string.  If you definitely want to match at least one C<'X'>, use
  969. C<X+>, not C<X*>.
  970.  
  971. Sometimes greed is not good.  At times, we would like quantifiers to
  972. match a I<minimal> piece of string, rather than a maximal piece.  For
  973. this purpose, Larry Wall created the S<B<minimal match> > or
  974. B<non-greedy> quantifiers C<??>,C<*?>, C<+?>, and C<{}?>.  These are
  975. the usual quantifiers with a C<?> appended to them.  They have the
  976. following meanings:
  977.  
  978. =over 4
  979.  
  980. =item *
  981.  
  982. C<a??> = match 'a' 0 or 1 times. Try 0 first, then 1.
  983.  
  984. =item *
  985.  
  986. C<a*?> = match 'a' 0 or more times, i.e., any number of times,
  987. but as few times as possible
  988.  
  989. =item *
  990.  
  991. C<a+?> = match 'a' 1 or more times, i.e., at least once, but
  992. as few times as possible
  993.  
  994. =item *
  995.  
  996. C<a{n,m}?> = match at least C<n> times, not more than C<m>
  997. times, as few times as possible
  998.  
  999. =item *
  1000.  
  1001. C<a{n,}?> = match at least C<n> times, but as few times as
  1002. possible
  1003.  
  1004. =item *
  1005.  
  1006. C<a{n}?> = match exactly C<n> times.  Because we match exactly
  1007. C<n> times, C<a{n}?> is equivalent to C<a{n}> and is just there for
  1008. notational consistency.
  1009.  
  1010. =back
  1011.  
  1012. Let's look at the example above, but with minimal quantifiers:
  1013.  
  1014.     $x = "The programming republic of Perl";
  1015.     $x =~ /^(.+?)(e|r)(.*)$/; # matches,
  1016.                               # $1 = 'Th'
  1017.                               # $2 = 'e'
  1018.                               # $3 = ' programming republic of Perl'
  1019.  
  1020. The minimal string that will allow both the start of the string C<^>
  1021. and the alternation to match is C<Th>, with the alternation C<e|r>
  1022. matching C<e>.  The second quantifier C<.*> is free to gobble up the
  1023. rest of the string.
  1024.  
  1025.     $x =~ /(m{1,2}?)(.*?)$/;  # matches,
  1026.                               # $1 = 'm'
  1027.                               # $2 = 'ming republic of Perl'
  1028.  
  1029. The first string position that this regexp can match is at the first
  1030. C<'m'> in C<programming>. At this position, the minimal C<m{1,2}?>
  1031. matches just one C<'m'>.  Although the second quantifier C<.*?> would
  1032. prefer to match no characters, it is constrained by the end-of-string
  1033. anchor C<$> to match the rest of the string.
  1034.  
  1035.     $x =~ /(.*?)(m{1,2}?)(.*)$/;  # matches,
  1036.                                   # $1 = 'The progra'
  1037.                                   # $2 = 'm'
  1038.                                   # $3 = 'ming republic of Perl'
  1039.  
  1040. In this regexp, you might expect the first minimal quantifier C<.*?>
  1041. to match the empty string, because it is not constrained by a C<^>
  1042. anchor to match the beginning of the word.  Principle 0 applies here,
  1043. however.  Because it is possible for the whole regexp to match at the
  1044. start of the string, it I<will> match at the start of the string.  Thus
  1045. the first quantifier has to match everything up to the first C<m>.  The
  1046. second minimal quantifier matches just one C<m> and the third
  1047. quantifier matches the rest of the string.
  1048.  
  1049.     $x =~ /(.??)(m{1,2})(.*)$/;  # matches,
  1050.                                  # $1 = 'a'
  1051.                                  # $2 = 'mm'
  1052.                                  # $3 = 'ing republic of Perl'
  1053.  
  1054. Just as in the previous regexp, the first quantifier C<.??> can match
  1055. earliest at position C<'a'>, so it does.  The second quantifier is
  1056. greedy, so it matches C<mm>, and the third matches the rest of the
  1057. string.
  1058.  
  1059. We can modify principle 3 above to take into account non-greedy
  1060. quantifiers:
  1061.  
  1062. =over 4
  1063.  
  1064. =item *
  1065.  
  1066. Principle 3: If there are two or more elements in a regexp, the
  1067. leftmost greedy (non-greedy) quantifier, if any, will match as much
  1068. (little) of the string as possible while still allowing the whole
  1069. regexp to match.  The next leftmost greedy (non-greedy) quantifier, if
  1070. any, will try to match as much (little) of the string remaining
  1071. available to it as possible, while still allowing the whole regexp to
  1072. match.  And so on, until all the regexp elements are satisfied.
  1073.  
  1074. =back
  1075.  
  1076. Just like alternation, quantifiers are also susceptible to
  1077. backtracking.  Here is a step-by-step analysis of the example
  1078.  
  1079.     $x = "the cat in the hat";
  1080.     $x =~ /^(.*)(at)(.*)$/; # matches,
  1081.                             # $1 = 'the cat in the h'
  1082.                             # $2 = 'at'
  1083.                             # $3 = ''   (0 matches)
  1084.  
  1085. =over 4
  1086.  
  1087. =item 0
  1088.  
  1089. Start with the first letter in the string 't'.
  1090.  
  1091. =item 1
  1092.  
  1093. The first quantifier '.*' starts out by matching the whole
  1094. string 'the cat in the hat'.
  1095.  
  1096. =item 2
  1097.  
  1098. 'a' in the regexp element 'at' doesn't match the end of the
  1099. string.  Backtrack one character.
  1100.  
  1101. =item 3
  1102.  
  1103. 'a' in the regexp element 'at' still doesn't match the last
  1104. letter of the string 't', so backtrack one more character.
  1105.  
  1106. =item 4
  1107.  
  1108. Now we can match the 'a' and the 't'.
  1109.  
  1110. =item 5
  1111.  
  1112. Move on to the third element '.*'.  Since we are at the end of
  1113. the string and '.*' can match 0 times, assign it the empty string.
  1114.  
  1115. =item 6
  1116.  
  1117. We are done!
  1118.  
  1119. =back
  1120.  
  1121. Most of the time, all this moving forward and backtracking happens
  1122. quickly and searching is fast.   There are some pathological regexps,
  1123. however, whose execution time exponentially grows with the size of the
  1124. string.  A typical structure that blows up in your face is of the form
  1125.  
  1126.     /(a|b+)*/;
  1127.  
  1128. The problem is the nested indeterminate quantifiers.  There are many
  1129. different ways of partitioning a string of length n between the C<+>
  1130. and C<*>: one repetition with C<b+> of length n, two repetitions with
  1131. the first C<b+> length k and the second with length n-k, m repetitions
  1132. whose bits add up to length n, etc.  In fact there are an exponential
  1133. number of ways to partition a string as a function of length.  A
  1134. regexp may get lucky and match early in the process, but if there is
  1135. no match, perl will try I<every> possibility before giving up.  So be
  1136. careful with nested C<*>'s, C<{n,m}>'s, and C<+>'s.  The book
  1137. I<Mastering regular expressions> by Jeffrey Friedl gives a wonderful
  1138. discussion of this and other efficiency issues.
  1139.  
  1140. =head2 Building a regexp
  1141.  
  1142. At this point, we have all the basic regexp concepts covered, so let's
  1143. give a more involved example of a regular expression.  We will build a
  1144. regexp that matches numbers.
  1145.  
  1146. The first task in building a regexp is to decide what we want to match
  1147. and what we want to exclude.  In our case, we want to match both
  1148. integers and floating point numbers and we want to reject any string
  1149. that isn't a number.
  1150.  
  1151. The next task is to break the problem down into smaller problems that
  1152. are easily converted into a regexp.
  1153.  
  1154. The simplest case is integers.  These consist of a sequence of digits,
  1155. with an optional sign in front.  The digits we can represent with
  1156. C<\d+> and the sign can be matched with C<[+-]>.  Thus the integer
  1157. regexp is
  1158.  
  1159.     /[+-]?\d+/;  # matches integers
  1160.  
  1161. A floating point number potentially has a sign, an integral part, a
  1162. decimal point, a fractional part, and an exponent.  One or more of these
  1163. parts is optional, so we need to check out the different
  1164. possibilities.  Floating point numbers which are in proper form include
  1165. 123., 0.345, .34, -1e6, and 25.4E-72.  As with integers, the sign out
  1166. front is completely optional and can be matched by C<[+-]?>.  We can
  1167. see that if there is no exponent, floating point numbers must have a
  1168. decimal point, otherwise they are integers.  We might be tempted to
  1169. model these with C<\d*\.\d*>, but this would also match just a single
  1170. decimal point, which is not a number.  So the three cases of floating
  1171. point number sans exponent are
  1172.  
  1173.    /[+-]?\d+\./;  # 1., 321., etc.
  1174.    /[+-]?\.\d+/;  # .1, .234, etc.
  1175.    /[+-]?\d+\.\d+/;  # 1.0, 30.56, etc.
  1176.  
  1177. These can be combined into a single regexp with a three-way alternation:
  1178.  
  1179.    /[+-]?(\d+\.\d+|\d+\.|\.\d+)/;  # floating point, no exponent
  1180.  
  1181. In this alternation, it is important to put C<'\d+\.\d+'> before
  1182. C<'\d+\.'>.  If C<'\d+\.'> were first, the regexp would happily match that
  1183. and ignore the fractional part of the number.
  1184.  
  1185. Now consider floating point numbers with exponents.  The key
  1186. observation here is that I<both> integers and numbers with decimal
  1187. points are allowed in front of an exponent.  Then exponents, like the
  1188. overall sign, are independent of whether we are matching numbers with
  1189. or without decimal points, and can be 'decoupled' from the
  1190. mantissa.  The overall form of the regexp now becomes clear:
  1191.  
  1192.     /^(optional sign)(integer | f.p. mantissa)(optional exponent)$/;
  1193.  
  1194. The exponent is an C<e> or C<E>, followed by an integer.  So the
  1195. exponent regexp is
  1196.  
  1197.    /[eE][+-]?\d+/;  # exponent
  1198.  
  1199. Putting all the parts together, we get a regexp that matches numbers:
  1200.  
  1201.    /^[+-]?(\d+\.\d+|\d+\.|\.\d+|\d+)([eE][+-]?\d+)?$/;  # Ta da!
  1202.  
  1203. Long regexps like this may impress your friends, but can be hard to
  1204. decipher.  In complex situations like this, the C<//x> modifier for a
  1205. match is invaluable.  It allows one to put nearly arbitrary whitespace
  1206. and comments into a regexp without affecting their meaning.  Using it,
  1207. we can rewrite our 'extended' regexp in the more pleasing form
  1208.  
  1209.    /^
  1210.       [+-]?         # first, match an optional sign
  1211.       (             # then match integers or f.p. mantissas:
  1212.           \d+\.\d+  # mantissa of the form a.b
  1213.          |\d+\.     # mantissa of the form a.
  1214.          |\.\d+     # mantissa of the form .b
  1215.          |\d+       # integer of the form a
  1216.       )
  1217.       ([eE][+-]?\d+)?  # finally, optionally match an exponent
  1218.    $/x;
  1219.  
  1220. If whitespace is mostly irrelevant, how does one include space
  1221. characters in an extended regexp? The answer is to backslash it
  1222. S<C<'\ '> > or put it in a character class S<C<[ ]> >.  The same thing
  1223. goes for pound signs, use C<\#> or C<[#]>.  For instance, Perl allows
  1224. a space between the sign and the mantissa/integer, and we could add
  1225. this to our regexp as follows:
  1226.  
  1227.    /^
  1228.       [+-]?\ *      # first, match an optional sign *and space*
  1229.       (             # then match integers or f.p. mantissas:
  1230.           \d+\.\d+  # mantissa of the form a.b
  1231.          |\d+\.     # mantissa of the form a.
  1232.          |\.\d+     # mantissa of the form .b
  1233.          |\d+       # integer of the form a
  1234.       )
  1235.       ([eE][+-]?\d+)?  # finally, optionally match an exponent
  1236.    $/x;
  1237.  
  1238. In this form, it is easier to see a way to simplify the
  1239. alternation.  Alternatives 1, 2, and 4 all start with C<\d+>, so it
  1240. could be factored out:
  1241.  
  1242.    /^
  1243.       [+-]?\ *      # first, match an optional sign
  1244.       (             # then match integers or f.p. mantissas:
  1245.           \d+       # start out with a ...
  1246.           (
  1247.               \.\d* # mantissa of the form a.b or a.
  1248.           )?        # ? takes care of integers of the form a
  1249.          |\.\d+     # mantissa of the form .b
  1250.       )
  1251.       ([eE][+-]?\d+)?  # finally, optionally match an exponent
  1252.    $/x;
  1253.  
  1254. or written in the compact form,
  1255.  
  1256.     /^[+-]?\ *(\d+(\.\d*)?|\.\d+)([eE][+-]?\d+)?$/;
  1257.  
  1258. This is our final regexp.  To recap, we built a regexp by
  1259.  
  1260. =over 4
  1261.  
  1262. =item *
  1263.  
  1264. specifying the task in detail,
  1265.  
  1266. =item *
  1267.  
  1268. breaking down the problem into smaller parts,
  1269.  
  1270. =item *
  1271.  
  1272. translating the small parts into regexps,
  1273.  
  1274. =item *
  1275.  
  1276. combining the regexps,
  1277.  
  1278. =item *
  1279.  
  1280. and optimizing the final combined regexp.
  1281.  
  1282. =back
  1283.  
  1284. These are also the typical steps involved in writing a computer
  1285. program.  This makes perfect sense, because regular expressions are
  1286. essentially programs written a little computer language that specifies
  1287. patterns.
  1288.  
  1289. =head2 Using regular expressions in Perl
  1290.  
  1291. The last topic of Part 1 briefly covers how regexps are used in Perl
  1292. programs.  Where do they fit into Perl syntax?
  1293.  
  1294. We have already introduced the matching operator in its default
  1295. C</regexp/> and arbitrary delimiter C<m!regexp!> forms.  We have used
  1296. the binding operator C<=~> and its negation C<!~> to test for string
  1297. matches.  Associated with the matching operator, we have discussed the
  1298. single line C<//s>, multi-line C<//m>, case-insensitive C<//i> and
  1299. extended C<//x> modifiers.
  1300.  
  1301. There are a few more things you might want to know about matching
  1302. operators.  First, we pointed out earlier that variables in regexps are
  1303. substituted before the regexp is evaluated:
  1304.  
  1305.     $pattern = 'Seuss';
  1306.     while (<>) {
  1307.         print if /$pattern/;
  1308.     }
  1309.  
  1310. This will print any lines containing the word C<Seuss>.  It is not as
  1311. efficient as it could be, however, because perl has to re-evaluate
  1312. C<$pattern> each time through the loop.  If C<$pattern> won't be
  1313. changing over the lifetime of the script, we can add the C<//o>
  1314. modifier, which directs perl to only perform variable substitutions
  1315. once:
  1316.  
  1317.     #!/usr/bin/perl
  1318.     #    Improved simple_grep
  1319.     $regexp = shift;
  1320.     while (<>) {
  1321.         print if /$regexp/o;  # a good deal faster
  1322.     }
  1323.  
  1324. If you change C<$pattern> after the first substitution happens, perl
  1325. will ignore it.  If you don't want any substitutions at all, use the
  1326. special delimiter C<m''>:
  1327.  
  1328.     $pattern = 'Seuss';
  1329.     while (<>) {
  1330.         print if m'$pattern';  # matches '$pattern', not 'Seuss'
  1331.     }
  1332.  
  1333. C<m''> acts like single quotes on a regexp; all other C<m> delimiters
  1334. act like double quotes.  If the regexp evaluates to the empty string,
  1335. the regexp in the I<last successful match> is used instead.  So we have
  1336.  
  1337.     "dog" =~ /d/;  # 'd' matches
  1338.     "dogbert =~ //;  # this matches the 'd' regexp used before
  1339.  
  1340. The final two modifiers C<//g> and C<//c> concern multiple matches.
  1341. The modifier C<//g> stands for global matching and allows the
  1342. matching operator to match within a string as many times as possible.
  1343. In scalar context, successive invocations against a string will have
  1344. `C<//g> jump from match to match, keeping track of position in the
  1345. string as it goes along.  You can get or set the position with the
  1346. C<pos()> function.
  1347.  
  1348. The use of C<//g> is shown in the following example.  Suppose we have
  1349. a string that consists of words separated by spaces.  If we know how
  1350. many words there are in advance, we could extract the words using
  1351. groupings:
  1352.  
  1353.     $x = "cat dog house"; # 3 words
  1354.     $x =~ /^\s*(\w+)\s+(\w+)\s+(\w+)\s*$/; # matches,
  1355.                                            # $1 = 'cat'
  1356.                                            # $2 = 'dog'
  1357.                                            # $3 = 'house'
  1358.  
  1359. But what if we had an indeterminate number of words? This is the sort
  1360. of task C<//g> was made for.  To extract all words, form the simple
  1361. regexp C<(\w+)> and loop over all matches with C</(\w+)/g>:
  1362.  
  1363.     while ($x =~ /(\w+)/g) {
  1364.         print "Word is $1, ends at position ", pos $x, "\n";
  1365.     }
  1366.  
  1367. prints
  1368.  
  1369.     Word is cat, ends at position 3
  1370.     Word is dog, ends at position 7
  1371.     Word is house, ends at position 13
  1372.  
  1373. A failed match or changing the target string resets the position.  If
  1374. you don't want the position reset after failure to match, add the
  1375. C<//c>, as in C</regexp/gc>.  The current position in the string is
  1376. associated with the string, not the regexp.  This means that different
  1377. strings have different positions and their respective positions can be
  1378. set or read independently.
  1379.  
  1380. In list context, C<//g> returns a list of matched groupings, or if
  1381. there are no groupings, a list of matches to the whole regexp.  So if
  1382. we wanted just the words, we could use
  1383.  
  1384.     @words = ($x =~ /(\w+)/g);  # matches,
  1385.                                 # $word[0] = 'cat'
  1386.                                 # $word[1] = 'dog'
  1387.                                 # $word[2] = 'house'
  1388.  
  1389. Closely associated with the C<//g> modifier is the C<\G> anchor.  The
  1390. C<\G> anchor matches at the point where the previous C<//g> match left
  1391. off.  C<\G> allows us to easily do context-sensitive matching:
  1392.  
  1393.     $metric = 1;  # use metric units
  1394.     ...
  1395.     $x = <FILE>;  # read in measurement
  1396.     $x =~ /^([+-]?\d+)\s*/g;  # get magnitude
  1397.     $weight = $1;
  1398.     if ($metric) { # error checking
  1399.         print "Units error!" unless $x =~ /\Gkg\./g;
  1400.     }
  1401.     else {
  1402.         print "Units error!" unless $x =~ /\Glbs\./g;
  1403.     }
  1404.     $x =~ /\G\s+(widget|sprocket)/g;  # continue processing
  1405.  
  1406. The combination of C<//g> and C<\G> allows us to process the string a
  1407. bit at a time and use arbitrary Perl logic to decide what to do next.
  1408. Currently, the C<\G> anchor is only fully supported when used to anchor
  1409. to the start of the pattern.
  1410.  
  1411. C<\G> is also invaluable in processing fixed length records with
  1412. regexps.  Suppose we have a snippet of coding region DNA, encoded as
  1413. base pair letters C<ATCGTTGAAT...> and we want to find all the stop
  1414. codons C<TGA>.  In a coding region, codons are 3-letter sequences, so
  1415. we can think of the DNA snippet as a sequence of 3-letter records.  The
  1416. naive regexp
  1417.  
  1418.     # expanded, this is "ATC GTT GAA TGC AAA TGA CAT GAC"
  1419.     $dna = "ATCGTTGAATGCAAATGACATGAC";
  1420.     $dna =~ /TGA/;
  1421.  
  1422. doesn't work; it may match a C<TGA>, but there is no guarantee that
  1423. the match is aligned with codon boundaries, e.g., the substring
  1424. S<C<GTT GAA> > gives a match.  A better solution is
  1425.  
  1426.     while ($dna =~ /(\w\w\w)*?TGA/g) {  # note the minimal *?
  1427.         print "Got a TGA stop codon at position ", pos $dna, "\n";
  1428.     }
  1429.  
  1430. which prints
  1431.  
  1432.     Got a TGA stop codon at position 18
  1433.     Got a TGA stop codon at position 23
  1434.  
  1435. Position 18 is good, but position 23 is bogus.  What happened?
  1436.  
  1437. The answer is that our regexp works well until we get past the last
  1438. real match.  Then the regexp will fail to match a synchronized C<TGA>
  1439. and start stepping ahead one character position at a time, not what we
  1440. want.  The solution is to use C<\G> to anchor the match to the codon
  1441. alignment:
  1442.  
  1443.     while ($dna =~ /\G(\w\w\w)*?TGA/g) {
  1444.         print "Got a TGA stop codon at position ", pos $dna, "\n";
  1445.     }
  1446.  
  1447. This prints
  1448.  
  1449.     Got a TGA stop codon at position 18
  1450.  
  1451. which is the correct answer.  This example illustrates that it is
  1452. important not only to match what is desired, but to reject what is not
  1453. desired.
  1454.  
  1455. B<search and replace>
  1456.  
  1457. Regular expressions also play a big role in B<search and replace>
  1458. operations in Perl.  Search and replace is accomplished with the
  1459. C<s///> operator.  The general form is
  1460. C<s/regexp/replacement/modifiers>, with everything we know about
  1461. regexps and modifiers applying in this case as well.  The
  1462. C<replacement> is a Perl double quoted string that replaces in the
  1463. string whatever is matched with the C<regexp>.  The operator C<=~> is
  1464. also used here to associate a string with C<s///>.  If matching
  1465. against C<$_>, the S<C<$_ =~> > can be dropped.  If there is a match,
  1466. C<s///> returns the number of substitutions made, otherwise it returns
  1467. false.  Here are a few examples:
  1468.  
  1469.     $x = "Time to feed the cat!";
  1470.     $x =~ s/cat/hacker/;   # $x contains "Time to feed the hacker!"
  1471.     if ($x =~ s/^(Time.*hacker)!$/$1 now!/) {
  1472.         $more_insistent = 1;
  1473.     }
  1474.     $y = "'quoted words'";
  1475.     $y =~ s/^'(.*)'$/$1/;  # strip single quotes,
  1476.                            # $y contains "quoted words"
  1477.  
  1478. In the last example, the whole string was matched, but only the part
  1479. inside the single quotes was grouped.  With the C<s///> operator, the
  1480. matched variables C<$1>, C<$2>, etc.  are immediately available for use
  1481. in the replacement expression, so we use C<$1> to replace the quoted
  1482. string with just what was quoted.  With the global modifier, C<s///g>
  1483. will search and replace all occurrences of the regexp in the string:
  1484.  
  1485.     $x = "I batted 4 for 4";
  1486.     $x =~ s/4/four/;   # doesn't do it all:
  1487.                        # $x contains "I batted four for 4"
  1488.     $x = "I batted 4 for 4";
  1489.     $x =~ s/4/four/g;  # does it all:
  1490.                        # $x contains "I batted four for four"
  1491.  
  1492. If you prefer 'regex' over 'regexp' in this tutorial, you could use
  1493. the following program to replace it:
  1494.  
  1495.     % cat > simple_replace
  1496.     #!/usr/bin/perl
  1497.     $regexp = shift;
  1498.     $replacement = shift;
  1499.     while (<>) {
  1500.         s/$regexp/$replacement/go;
  1501.         print;
  1502.     }
  1503.     ^D
  1504.  
  1505.     % simple_replace regexp regex perlretut.pod
  1506.  
  1507. In C<simple_replace> we used the C<s///g> modifier to replace all
  1508. occurrences of the regexp on each line and the C<s///o> modifier to
  1509. compile the regexp only once.  As with C<simple_grep>, both the
  1510. C<print> and the C<s/$regexp/$replacement/go> use C<$_> implicitly.
  1511.  
  1512. A modifier available specifically to search and replace is the
  1513. C<s///e> evaluation modifier.  C<s///e> wraps an C<eval{...}> around
  1514. the replacement string and the evaluated result is substituted for the
  1515. matched substring.  C<s///e> is useful if you need to do a bit of
  1516. computation in the process of replacing text.  This example counts
  1517. character frequencies in a line:
  1518.  
  1519.     $x = "Bill the cat";
  1520.     $x =~ s/(.)/$chars{$1}++;$1/eg;  # final $1 replaces char with itself
  1521.     print "frequency of '$_' is $chars{$_}\n"
  1522.         foreach (sort {$chars{$b} <=> $chars{$a}} keys %chars);
  1523.  
  1524. This prints
  1525.  
  1526.     frequency of ' ' is 2
  1527.     frequency of 't' is 2
  1528.     frequency of 'l' is 2
  1529.     frequency of 'B' is 1
  1530.     frequency of 'c' is 1
  1531.     frequency of 'e' is 1
  1532.     frequency of 'h' is 1
  1533.     frequency of 'i' is 1
  1534.     frequency of 'a' is 1
  1535.  
  1536. As with the match C<m//> operator, C<s///> can use other delimiters,
  1537. such as C<s!!!> and C<s{}{}>, and even C<s{}//>.  If single quotes are
  1538. used C<s'''>, then the regexp and replacement are treated as single
  1539. quoted strings and there are no substitutions.  C<s///> in list context
  1540. returns the same thing as in scalar context, i.e., the number of
  1541. matches.
  1542.  
  1543. B<The split operator>
  1544.  
  1545. The B<C<split> > function can also optionally use a matching operator
  1546. C<m//> to split a string.  C<split /regexp/, string, limit> splits
  1547. C<string> into a list of substrings and returns that list.  The regexp
  1548. is used to match the character sequence that the C<string> is split
  1549. with respect to.  The C<limit>, if present, constrains splitting into
  1550. no more than C<limit> number of strings.  For example, to split a
  1551. string into words, use
  1552.  
  1553.     $x = "Calvin and Hobbes";
  1554.     @words = split /\s+/, $x;  # $word[0] = 'Calvin'
  1555.                                # $word[1] = 'and'
  1556.                                # $word[2] = 'Hobbes'
  1557.  
  1558. If the empty regexp C<//> is used, the regexp always matches and
  1559. the string is split into individual characters.  If the regexp has
  1560. groupings, then list produced contains the matched substrings from the
  1561. groupings as well.  For instance,
  1562.  
  1563.     $x = "/usr/bin/perl";
  1564.     @dirs = split m!/!, $x;  # $dirs[0] = ''
  1565.                              # $dirs[1] = 'usr'
  1566.                              # $dirs[2] = 'bin'
  1567.                              # $dirs[3] = 'perl'
  1568.     @parts = split m!(/)!, $x;  # $parts[0] = ''
  1569.                                 # $parts[1] = '/'
  1570.                                 # $parts[2] = 'usr'
  1571.                                 # $parts[3] = '/'
  1572.                                 # $parts[4] = 'bin'
  1573.                                 # $parts[5] = '/'
  1574.                                 # $parts[6] = 'perl'
  1575.  
  1576. Since the first character of $x matched the regexp, C<split> prepended
  1577. an empty initial element to the list.
  1578.  
  1579. If you have read this far, congratulations! You now have all the basic
  1580. tools needed to use regular expressions to solve a wide range of text
  1581. processing problems.  If this is your first time through the tutorial,
  1582. why not stop here and play around with regexps a while...  S<Part 2>
  1583. concerns the more esoteric aspects of regular expressions and those
  1584. concepts certainly aren't needed right at the start.
  1585.  
  1586. =head1 Part 2: Power tools
  1587.  
  1588. OK, you know the basics of regexps and you want to know more.  If
  1589. matching regular expressions is analogous to a walk in the woods, then
  1590. the tools discussed in Part 1 are analogous to topo maps and a
  1591. compass, basic tools we use all the time.  Most of the tools in part 2
  1592. are analogous to flare guns and satellite phones.  They aren't used
  1593. too often on a hike, but when we are stuck, they can be invaluable.
  1594.  
  1595. What follows are the more advanced, less used, or sometimes esoteric
  1596. capabilities of perl regexps.  In Part 2, we will assume you are
  1597. comfortable with the basics and concentrate on the new features.
  1598.  
  1599. =head2 More on characters, strings, and character classes
  1600.  
  1601. There are a number of escape sequences and character classes that we
  1602. haven't covered yet.
  1603.  
  1604. There are several escape sequences that convert characters or strings
  1605. between upper and lower case.  C<\l> and C<\u> convert the next
  1606. character to lower or upper case, respectively:
  1607.  
  1608.     $x = "perl";
  1609.     $string =~ /\u$x/;  # matches 'Perl' in $string
  1610.     $x = "M(rs?|s)\\."; # note the double backslash
  1611.     $string =~ /\l$x/;  # matches 'mr.', 'mrs.', and 'ms.',
  1612.  
  1613. C<\L> and C<\U> converts a whole substring, delimited by C<\L> or
  1614. C<\U> and C<\E>, to lower or upper case:
  1615.  
  1616.     $x = "This word is in lower case:\L SHOUT\E";
  1617.     $x =~ /shout/;       # matches
  1618.     $x = "I STILL KEYPUNCH CARDS FOR MY 360"
  1619.     $x =~ /\Ukeypunch/;  # matches punch card string
  1620.  
  1621. If there is no C<\E>, case is converted until the end of the
  1622. string. The regexps C<\L\u$word> or C<\u\L$word> convert the first
  1623. character of C<$word> to uppercase and the rest of the characters to
  1624. lowercase.
  1625.  
  1626. Control characters can be escaped with C<\c>, so that a control-Z
  1627. character would be matched with C<\cZ>.  The escape sequence
  1628. C<\Q>...C<\E> quotes, or protects most non-alphabetic characters.   For
  1629. instance,
  1630.  
  1631.     $x = "\QThat !^*&%~& cat!";
  1632.     $x =~ /\Q!^*&%~&\E/;  # check for rough language
  1633.  
  1634. It does not protect C<$> or C<@>, so that variables can still be
  1635. substituted.
  1636.  
  1637. With the advent of 5.6.0, perl regexps can handle more than just the
  1638. standard ASCII character set.  Perl now supports B<Unicode>, a standard
  1639. for encoding the character sets from many of the world's written
  1640. languages.  Unicode does this by allowing characters to be more than
  1641. one byte wide.  Perl uses the UTF-8 encoding, in which ASCII characters
  1642. are still encoded as one byte, but characters greater than C<chr(127)>
  1643. may be stored as two or more bytes.
  1644.  
  1645. What does this mean for regexps? Well, regexp users don't need to know
  1646. much about perl's internal representation of strings.  But they do need
  1647. to know 1) how to represent Unicode characters in a regexp and 2) when
  1648. a matching operation will treat the string to be searched as a
  1649. sequence of bytes (the old way) or as a sequence of Unicode characters
  1650. (the new way).  The answer to 1) is that Unicode characters greater
  1651. than C<chr(127)> may be represented using the C<\x{hex}> notation,
  1652. with C<hex> a hexadecimal integer:
  1653.  
  1654.     /\x{263a}/;  # match a Unicode smiley face :)
  1655.  
  1656. Unicode characters in the range of 128-255 use two hexadecimal digits
  1657. with braces: C<\x{ab}>.  Note that this is different than C<\xab>,
  1658. which is just a hexadecimal byte with no Unicode significance.
  1659.  
  1660. B<NOTE>: in Perl 5.6.0 it used to be that one needed to say C<use
  1661. utf8> to use any Unicode features.  This is no more the case: for
  1662. almost all Unicode processing, the explicit C<utf8> pragma is not
  1663. needed.  (The only case where it matters is if your Perl script is in
  1664. Unicode and encoded in UTF-8, then an explicit C<use utf8> is needed.)
  1665.  
  1666. Figuring out the hexadecimal sequence of a Unicode character you want
  1667. or deciphering someone else's hexadecimal Unicode regexp is about as
  1668. much fun as programming in machine code.  So another way to specify
  1669. Unicode characters is to use the S<B<named character> > escape
  1670. sequence C<\N{name}>.  C<name> is a name for the Unicode character, as
  1671. specified in the Unicode standard.  For instance, if we wanted to
  1672. represent or match the astrological sign for the planet Mercury, we
  1673. could use
  1674.  
  1675.     use charnames ":full"; # use named chars with Unicode full names
  1676.     $x = "abc\N{MERCURY}def";
  1677.     $x =~ /\N{MERCURY}/;   # matches
  1678.  
  1679. One can also use short names or restrict names to a certain alphabet:
  1680.  
  1681.     use charnames ':full';
  1682.     print "\N{GREEK SMALL LETTER SIGMA} is called sigma.\n";
  1683.  
  1684.     use charnames ":short";
  1685.     print "\N{greek:Sigma} is an upper-case sigma.\n";
  1686.  
  1687.     use charnames qw(greek);
  1688.     print "\N{sigma} is Greek sigma\n";
  1689.  
  1690. A list of full names is found in the file Names.txt in the
  1691. lib/perl5/5.X.X/unicore directory.
  1692.  
  1693. The answer to requirement 2), as of 5.6.0, is that if a regexp
  1694. contains Unicode characters, the string is searched as a sequence of
  1695. Unicode characters.  Otherwise, the string is searched as a sequence of
  1696. bytes.  If the string is being searched as a sequence of Unicode
  1697. characters, but matching a single byte is required, we can use the C<\C>
  1698. escape sequence.  C<\C> is a character class akin to C<.> except that
  1699. it matches I<any> byte 0-255.  So
  1700.  
  1701.     use charnames ":full"; # use named chars with Unicode full names
  1702.     $x = "a";
  1703.     $x =~ /\C/;  # matches 'a', eats one byte
  1704.     $x = "";
  1705.     $x =~ /\C/;  # doesn't match, no bytes to match
  1706.     $x = "\N{MERCURY}";  # two-byte Unicode character
  1707.     $x =~ /\C/;  # matches, but dangerous!
  1708.  
  1709. The last regexp matches, but is dangerous because the string
  1710. I<character> position is no longer synchronized to the string I<byte>
  1711. position.  This generates the warning 'Malformed UTF-8
  1712. character'.  The C<\C> is best used for matching the binary data in strings
  1713. with binary data intermixed with Unicode characters.
  1714.  
  1715. Let us now discuss the rest of the character classes.  Just as with
  1716. Unicode characters, there are named Unicode character classes
  1717. represented by the C<\p{name}> escape sequence.  Closely associated is
  1718. the C<\P{name}> character class, which is the negation of the
  1719. C<\p{name}> class.  For example, to match lower and uppercase
  1720. characters,
  1721.  
  1722.     use charnames ":full"; # use named chars with Unicode full names
  1723.     $x = "BOB";
  1724.     $x =~ /^\p{IsUpper}/;   # matches, uppercase char class
  1725.     $x =~ /^\P{IsUpper}/;   # doesn't match, char class sans uppercase
  1726.     $x =~ /^\p{IsLower}/;   # doesn't match, lowercase char class
  1727.     $x =~ /^\P{IsLower}/;   # matches, char class sans lowercase
  1728.  
  1729. Here is the association between some Perl named classes and the
  1730. traditional Unicode classes:
  1731.  
  1732.     Perl class name  Unicode class name or regular expression
  1733.  
  1734.     IsAlpha          /^[LM]/
  1735.     IsAlnum          /^[LMN]/
  1736.     IsASCII          $code <= 127
  1737.     IsCntrl          /^C/
  1738.     IsBlank          $code =~ /^(0020|0009)$/ || /^Z[^lp]/
  1739.     IsDigit          Nd
  1740.     IsGraph          /^([LMNPS]|Co)/
  1741.     IsLower          Ll
  1742.     IsPrint          /^([LMNPS]|Co|Zs)/
  1743.     IsPunct          /^P/
  1744.     IsSpace          /^Z/ || ($code =~ /^(0009|000A|000B|000C|000D)$/
  1745.     IsSpacePerl      /^Z/ || ($code =~ /^(0009|000A|000C|000D|0085|2028|2029)$/
  1746.     IsUpper          /^L[ut]/
  1747.     IsWord           /^[LMN]/ || $code eq "005F"
  1748.     IsXDigit         $code =~ /^00(3[0-9]|[46][1-6])$/
  1749.  
  1750. You can also use the official Unicode class names with the C<\p> and
  1751. C<\P>, like C<\p{L}> for Unicode 'letters', or C<\p{Lu}> for uppercase
  1752. letters, or C<\P{Nd}> for non-digits.  If a C<name> is just one
  1753. letter, the braces can be dropped.  For instance, C<\pM> is the
  1754. character class of Unicode 'marks', for example accent marks.
  1755. For the full list see L<perlunicode>.
  1756.  
  1757. The Unicode has also been separated into various sets of charaters
  1758. which you can test with C<\p{In...}> (in) and C<\P{In...}> (not in),
  1759. for example C<\p{Latin}>, C<\p{Greek}>, or C<\P{Katakana}>.
  1760. For the full list see L<perlunicode>.
  1761.  
  1762. C<\X> is an abbreviation for a character class sequence that includes
  1763. the Unicode 'combining character sequences'.  A 'combining character
  1764. sequence' is a base character followed by any number of combining
  1765. characters.  An example of a combining character is an accent.   Using
  1766. the Unicode full names, e.g., S<C<A + COMBINING RING> > is a combining
  1767. character sequence with base character C<A> and combining character
  1768. S<C<COMBINING RING> >, which translates in Danish to A with the circle
  1769. atop it, as in the word Angstrom.  C<\X> is equivalent to C<\PM\pM*}>,
  1770. i.e., a non-mark followed by one or more marks.
  1771.  
  1772. For the full and latest information about Unicode see the latest
  1773. Unicode standard, or the Unicode Consortium's website http://www.unicode.org/
  1774.  
  1775. As if all those classes weren't enough, Perl also defines POSIX style
  1776. character classes.  These have the form C<[:name:]>, with C<name> the
  1777. name of the POSIX class.  The POSIX classes are C<alpha>, C<alnum>,
  1778. C<ascii>, C<cntrl>, C<digit>, C<graph>, C<lower>, C<print>, C<punct>,
  1779. C<space>, C<upper>, and C<xdigit>, and two extensions, C<word> (a Perl
  1780. extension to match C<\w>), and C<blank> (a GNU extension).  If C<utf8>
  1781. is being used, then these classes are defined the same as their
  1782. corresponding perl Unicode classes: C<[:upper:]> is the same as
  1783. C<\p{IsUpper}>, etc.  The POSIX character classes, however, don't
  1784. require using C<utf8>.  The C<[:digit:]>, C<[:word:]>, and
  1785. C<[:space:]> correspond to the familiar C<\d>, C<\w>, and C<\s>
  1786. character classes.  To negate a POSIX class, put a C<^> in front of
  1787. the name, so that, e.g., C<[:^digit:]> corresponds to C<\D> and under
  1788. C<utf8>, C<\P{IsDigit}>.  The Unicode and POSIX character classes can
  1789. be used just like C<\d>, with the exception that POSIX character
  1790. classes can only be used inside of a character class:
  1791.  
  1792.     /\s+[abc[:digit:]xyz]\s*/;  # match a,b,c,x,y,z, or a digit
  1793.     /^=item\s[[:digit:]]/;      # match '=item',
  1794.                                 # followed by a space and a digit
  1795.     use charnames ":full";
  1796.     /\s+[abc\p{IsDigit}xyz]\s+/;  # match a,b,c,x,y,z, or a digit
  1797.     /^=item\s\p{IsDigit}/;        # match '=item',
  1798.                                   # followed by a space and a digit
  1799.  
  1800. Whew! That is all the rest of the characters and character classes.
  1801.  
  1802. =head2 Compiling and saving regular expressions
  1803.  
  1804. In Part 1 we discussed the C<//o> modifier, which compiles a regexp
  1805. just once.  This suggests that a compiled regexp is some data structure
  1806. that can be stored once and used again and again.  The regexp quote
  1807. C<qr//> does exactly that: C<qr/string/> compiles the C<string> as a
  1808. regexp and transforms the result into a form that can be assigned to a
  1809. variable:
  1810.  
  1811.     $reg = qr/foo+bar?/;  # reg contains a compiled regexp
  1812.  
  1813. Then C<$reg> can be used as a regexp:
  1814.  
  1815.     $x = "fooooba";
  1816.     $x =~ $reg;     # matches, just like /foo+bar?/
  1817.     $x =~ /$reg/;   # same thing, alternate form
  1818.  
  1819. C<$reg> can also be interpolated into a larger regexp:
  1820.  
  1821.     $x =~ /(abc)?$reg/;  # still matches
  1822.  
  1823. As with the matching operator, the regexp quote can use different
  1824. delimiters, e.g., C<qr!!>, C<qr{}> and C<qr~~>.  The single quote
  1825. delimiters C<qr''> prevent any interpolation from taking place.
  1826.  
  1827. Pre-compiled regexps are useful for creating dynamic matches that
  1828. don't need to be recompiled each time they are encountered.  Using
  1829. pre-compiled regexps, C<simple_grep> program can be expanded into a
  1830. program that matches multiple patterns:
  1831.  
  1832.     % cat > multi_grep
  1833.     #!/usr/bin/perl
  1834.     # multi_grep - match any of <number> regexps
  1835.     # usage: multi_grep <number> regexp1 regexp2 ... file1 file2 ...
  1836.  
  1837.     $number = shift;
  1838.     $regexp[$_] = shift foreach (0..$number-1);
  1839.     @compiled = map qr/$_/, @regexp;
  1840.     while ($line = <>) {
  1841.         foreach $pattern (@compiled) {
  1842.             if ($line =~ /$pattern/) {
  1843.                 print $line;
  1844.                 last;  # we matched, so move onto the next line
  1845.             }
  1846.         }
  1847.     }
  1848.     ^D
  1849.  
  1850.     % multi_grep 2 last for multi_grep
  1851.         $regexp[$_] = shift foreach (0..$number-1);
  1852.             foreach $pattern (@compiled) {
  1853.                     last;
  1854.  
  1855. Storing pre-compiled regexps in an array C<@compiled> allows us to
  1856. simply loop through the regexps without any recompilation, thus gaining
  1857. flexibility without sacrificing speed.
  1858.  
  1859. =head2 Embedding comments and modifiers in a regular expression
  1860.  
  1861. Starting with this section, we will be discussing Perl's set of
  1862. B<extended patterns>.  These are extensions to the traditional regular
  1863. expression syntax that provide powerful new tools for pattern
  1864. matching.  We have already seen extensions in the form of the minimal
  1865. matching constructs C<??>, C<*?>, C<+?>, C<{n,m}?>, and C<{n,}?>.  The
  1866. rest of the extensions below have the form C<(?char...)>, where the
  1867. C<char> is a character that determines the type of extension.
  1868.  
  1869. The first extension is an embedded comment C<(?#text)>.  This embeds a
  1870. comment into the regular expression without affecting its meaning.  The
  1871. comment should not have any closing parentheses in the text.  An
  1872. example is
  1873.  
  1874.     /(?# Match an integer:)[+-]?\d+/;
  1875.  
  1876. This style of commenting has been largely superseded by the raw,
  1877. freeform commenting that is allowed with the C<//x> modifier.
  1878.  
  1879. The modifiers C<//i>, C<//m>, C<//s>, and C<//x> can also embedded in
  1880. a regexp using C<(?i)>, C<(?m)>, C<(?s)>, and C<(?x)>.  For instance,
  1881.  
  1882.     /(?i)yes/;  # match 'yes' case insensitively
  1883.     /yes/i;     # same thing
  1884.     /(?x)(          # freeform version of an integer regexp
  1885.              [+-]?  # match an optional sign
  1886.              \d+    # match a sequence of digits
  1887.          )
  1888.     /x;
  1889.  
  1890. Embedded modifiers can have two important advantages over the usual
  1891. modifiers.  Embedded modifiers allow a custom set of modifiers to
  1892. I<each> regexp pattern.  This is great for matching an array of regexps
  1893. that must have different modifiers:
  1894.  
  1895.     $pattern[0] = '(?i)doctor';
  1896.     $pattern[1] = 'Johnson';
  1897.     ...
  1898.     while (<>) {
  1899.         foreach $patt (@pattern) {
  1900.             print if /$patt/;
  1901.         }
  1902.     }
  1903.  
  1904. The second advantage is that embedded modifiers only affect the regexp
  1905. inside the group the embedded modifier is contained in.  So grouping
  1906. can be used to localize the modifier's effects:
  1907.  
  1908.     /Answer: ((?i)yes)/;  # matches 'Answer: yes', 'Answer: YES', etc.
  1909.  
  1910. Embedded modifiers can also turn off any modifiers already present
  1911. by using, e.g., C<(?-i)>.  Modifiers can also be combined into
  1912. a single expression, e.g., C<(?s-i)> turns on single line mode and
  1913. turns off case insensitivity.
  1914.  
  1915. =head2 Non-capturing groupings
  1916.  
  1917. We noted in Part 1 that groupings C<()> had two distinct functions: 1)
  1918. group regexp elements together as a single unit, and 2) extract, or
  1919. capture, substrings that matched the regexp in the
  1920. grouping.  Non-capturing groupings, denoted by C<(?:regexp)>, allow the
  1921. regexp to be treated as a single unit, but don't extract substrings or
  1922. set matching variables C<$1>, etc.  Both capturing and non-capturing
  1923. groupings are allowed to co-exist in the same regexp.  Because there is
  1924. no extraction, non-capturing groupings are faster than capturing
  1925. groupings.  Non-capturing groupings are also handy for choosing exactly
  1926. which parts of a regexp are to be extracted to matching variables:
  1927.  
  1928.     # match a number, $1-$4 are set, but we only want $1
  1929.     /([+-]?\ *(\d+(\.\d*)?|\.\d+)([eE][+-]?\d+)?)/;
  1930.  
  1931.     # match a number faster , only $1 is set
  1932.     /([+-]?\ *(?:\d+(?:\.\d*)?|\.\d+)(?:[eE][+-]?\d+)?)/;
  1933.  
  1934.     # match a number, get $1 = whole number, $2 = exponent
  1935.     /([+-]?\ *(?:\d+(?:\.\d*)?|\.\d+)(?:[eE]([+-]?\d+))?)/;
  1936.  
  1937. Non-capturing groupings are also useful for removing nuisance
  1938. elements gathered from a split operation:
  1939.  
  1940.     $x = '12a34b5';
  1941.     @num = split /(a|b)/, $x;    # @num = ('12','a','34','b','5')
  1942.     @num = split /(?:a|b)/, $x;  # @num = ('12','34','5')
  1943.  
  1944. Non-capturing groupings may also have embedded modifiers:
  1945. C<(?i-m:regexp)> is a non-capturing grouping that matches C<regexp>
  1946. case insensitively and turns off multi-line mode.
  1947.  
  1948. =head2 Looking ahead and looking behind
  1949.  
  1950. This section concerns the lookahead and lookbehind assertions.  First,
  1951. a little background.
  1952.  
  1953. In Perl regular expressions, most regexp elements 'eat up' a certain
  1954. amount of string when they match.  For instance, the regexp element
  1955. C<[abc}]> eats up one character of the string when it matches, in the
  1956. sense that perl moves to the next character position in the string
  1957. after the match.  There are some elements, however, that don't eat up
  1958. characters (advance the character position) if they match.  The examples
  1959. we have seen so far are the anchors.  The anchor C<^> matches the
  1960. beginning of the line, but doesn't eat any characters.  Similarly, the
  1961. word boundary anchor C<\b> matches, e.g., if the character to the left
  1962. is a word character and the character to the right is a non-word
  1963. character, but it doesn't eat up any characters itself.  Anchors are
  1964. examples of 'zero-width assertions'.  Zero-width, because they consume
  1965. no characters, and assertions, because they test some property of the
  1966. string.  In the context of our walk in the woods analogy to regexp
  1967. matching, most regexp elements move us along a trail, but anchors have
  1968. us stop a moment and check our surroundings.  If the local environment
  1969. checks out, we can proceed forward.  But if the local environment
  1970. doesn't satisfy us, we must backtrack.
  1971.  
  1972. Checking the environment entails either looking ahead on the trail,
  1973. looking behind, or both.  C<^> looks behind, to see that there are no
  1974. characters before.  C<$> looks ahead, to see that there are no
  1975. characters after.  C<\b> looks both ahead and behind, to see if the
  1976. characters on either side differ in their 'word'-ness.
  1977.  
  1978. The lookahead and lookbehind assertions are generalizations of the
  1979. anchor concept.  Lookahead and lookbehind are zero-width assertions
  1980. that let us specify which characters we want to test for.  The
  1981. lookahead assertion is denoted by C<(?=regexp)> and the lookbehind
  1982. assertion is denoted by C<< (?<=fixed-regexp) >>.  Some examples are
  1983.  
  1984.     $x = "I catch the housecat 'Tom-cat' with catnip";
  1985.     $x =~ /cat(?=\s+)/;  # matches 'cat' in 'housecat'
  1986.     @catwords = ($x =~ /(?<=\s)cat\w+/g);  # matches,
  1987.                                            # $catwords[0] = 'catch'
  1988.                                            # $catwords[1] = 'catnip'
  1989.     $x =~ /\bcat\b/;  # matches 'cat' in 'Tom-cat'
  1990.     $x =~ /(?<=\s)cat(?=\s)/; # doesn't match; no isolated 'cat' in
  1991.                               # middle of $x
  1992.  
  1993. Note that the parentheses in C<(?=regexp)> and C<< (?<=regexp) >> are
  1994. non-capturing, since these are zero-width assertions.  Thus in the
  1995. second regexp, the substrings captured are those of the whole regexp
  1996. itself.  Lookahead C<(?=regexp)> can match arbitrary regexps, but
  1997. lookbehind C<< (?<=fixed-regexp) >> only works for regexps of fixed
  1998. width, i.e., a fixed number of characters long.  Thus
  1999. C<< (?<=(ab|bc)) >> is fine, but C<< (?<=(ab)*) >> is not.  The
  2000. negated versions of the lookahead and lookbehind assertions are
  2001. denoted by C<(?!regexp)> and C<< (?<!fixed-regexp) >> respectively.
  2002. They evaluate true if the regexps do I<not> match:
  2003.  
  2004.     $x = "foobar";
  2005.     $x =~ /foo(?!bar)/;  # doesn't match, 'bar' follows 'foo'
  2006.     $x =~ /foo(?!baz)/;  # matches, 'baz' doesn't follow 'foo'
  2007.     $x =~ /(?<!\s)foo/;  # matches, there is no \s before 'foo'
  2008.  
  2009. The C<\C> is unsupported in lookbehind, because the already
  2010. treacherous definition of C<\C> would become even more so
  2011. when going backwards.
  2012.  
  2013. =head2 Using independent subexpressions to prevent backtracking
  2014.  
  2015. The last few extended patterns in this tutorial are experimental as of
  2016. 5.6.0.  Play with them, use them in some code, but don't rely on them
  2017. just yet for production code.
  2018.  
  2019. S<B<Independent subexpressions> > are regular expressions, in the
  2020. context of a larger regular expression, that function independently of
  2021. the larger regular expression.  That is, they consume as much or as
  2022. little of the string as they wish without regard for the ability of
  2023. the larger regexp to match.  Independent subexpressions are represented
  2024. by C<< (?>regexp) >>.  We can illustrate their behavior by first
  2025. considering an ordinary regexp:
  2026.  
  2027.     $x = "ab";
  2028.     $x =~ /a*ab/;  # matches
  2029.  
  2030. This obviously matches, but in the process of matching, the
  2031. subexpression C<a*> first grabbed the C<a>.  Doing so, however,
  2032. wouldn't allow the whole regexp to match, so after backtracking, C<a*>
  2033. eventually gave back the C<a> and matched the empty string.  Here, what
  2034. C<a*> matched was I<dependent> on what the rest of the regexp matched.
  2035.  
  2036. Contrast that with an independent subexpression:
  2037.  
  2038.     $x =~ /(?>a*)ab/;  # doesn't match!
  2039.  
  2040. The independent subexpression C<< (?>a*) >> doesn't care about the rest
  2041. of the regexp, so it sees an C<a> and grabs it.  Then the rest of the
  2042. regexp C<ab> cannot match.  Because C<< (?>a*) >> is independent, there
  2043. is no backtracking and the independent subexpression does not give
  2044. up its C<a>.  Thus the match of the regexp as a whole fails.  A similar
  2045. behavior occurs with completely independent regexps:
  2046.  
  2047.     $x = "ab";
  2048.     $x =~ /a*/g;   # matches, eats an 'a'
  2049.     $x =~ /\Gab/g; # doesn't match, no 'a' available
  2050.  
  2051. Here C<//g> and C<\G> create a 'tag team' handoff of the string from
  2052. one regexp to the other.  Regexps with an independent subexpression are
  2053. much like this, with a handoff of the string to the independent
  2054. subexpression, and a handoff of the string back to the enclosing
  2055. regexp.
  2056.  
  2057. The ability of an independent subexpression to prevent backtracking
  2058. can be quite useful.  Suppose we want to match a non-empty string
  2059. enclosed in parentheses up to two levels deep.  Then the following
  2060. regexp matches:
  2061.  
  2062.     $x = "abc(de(fg)h";  # unbalanced parentheses
  2063.     $x =~ /\( ( [^()]+ | \([^()]*\) )+ \)/x;
  2064.  
  2065. The regexp matches an open parenthesis, one or more copies of an
  2066. alternation, and a close parenthesis.  The alternation is two-way, with
  2067. the first alternative C<[^()]+> matching a substring with no
  2068. parentheses and the second alternative C<\([^()]*\)>  matching a
  2069. substring delimited by parentheses.  The problem with this regexp is
  2070. that it is pathological: it has nested indeterminate quantifiers
  2071. of the form C<(a+|b)+>.  We discussed in Part 1 how nested quantifiers
  2072. like this could take an exponentially long time to execute if there
  2073. was no match possible.  To prevent the exponential blowup, we need to
  2074. prevent useless backtracking at some point.  This can be done by
  2075. enclosing the inner quantifier as an independent subexpression:
  2076.  
  2077.     $x =~ /\( ( (?>[^()]+) | \([^()]*\) )+ \)/x;
  2078.  
  2079. Here, C<< (?>[^()]+) >> breaks the degeneracy of string partitioning
  2080. by gobbling up as much of the string as possible and keeping it.   Then
  2081. match failures fail much more quickly.
  2082.  
  2083. =head2 Conditional expressions
  2084.  
  2085. A S<B<conditional expression> > is a form of if-then-else statement
  2086. that allows one to choose which patterns are to be matched, based on
  2087. some condition.  There are two types of conditional expression:
  2088. C<(?(condition)yes-regexp)> and
  2089. C<(?(condition)yes-regexp|no-regexp)>.  C<(?(condition)yes-regexp)> is
  2090. like an S<C<'if () {}'> > statement in Perl.  If the C<condition> is true,
  2091. the C<yes-regexp> will be matched.  If the C<condition> is false, the
  2092. C<yes-regexp> will be skipped and perl will move onto the next regexp
  2093. element.  The second form is like an S<C<'if () {} else {}'> > statement
  2094. in Perl.  If the C<condition> is true, the C<yes-regexp> will be
  2095. matched, otherwise the C<no-regexp> will be matched.
  2096.  
  2097. The C<condition> can have two forms.  The first form is simply an
  2098. integer in parentheses C<(integer)>.  It is true if the corresponding
  2099. backreference C<\integer> matched earlier in the regexp.  The second
  2100. form is a bare zero width assertion C<(?...)>, either a
  2101. lookahead, a lookbehind, or a code assertion (discussed in the next
  2102. section).
  2103.  
  2104. The integer form of the C<condition> allows us to choose, with more
  2105. flexibility, what to match based on what matched earlier in the
  2106. regexp. This searches for words of the form C<"$x$x"> or
  2107. C<"$x$y$y$x">:
  2108.  
  2109.     % simple_grep '^(\w+)(\w+)?(?(2)\2\1|\1)$' /usr/dict/words
  2110.     beriberi
  2111.     coco
  2112.     couscous
  2113.     deed
  2114.     ...
  2115.     toot
  2116.     toto
  2117.     tutu
  2118.  
  2119. The lookbehind C<condition> allows, along with backreferences,
  2120. an earlier part of the match to influence a later part of the
  2121. match.  For instance,
  2122.  
  2123.     /[ATGC]+(?(?<=AA)G|C)$/;
  2124.  
  2125. matches a DNA sequence such that it either ends in C<AAG>, or some
  2126. other base pair combination and C<C>.  Note that the form is
  2127. C<< (?(?<=AA)G|C) >> and not C<< (?((?<=AA))G|C) >>; for the
  2128. lookahead, lookbehind or code assertions, the parentheses around the
  2129. conditional are not needed.
  2130.  
  2131. =head2 A bit of magic: executing Perl code in a regular expression
  2132.  
  2133. Normally, regexps are a part of Perl expressions.
  2134. S<B<Code evaluation> > expressions turn that around by allowing
  2135. arbitrary Perl code to be a part of a regexp.  A code evaluation
  2136. expression is denoted C<(?{code})>, with C<code> a string of Perl
  2137. statements.
  2138.  
  2139. Code expressions are zero-width assertions, and the value they return
  2140. depends on their environment.  There are two possibilities: either the
  2141. code expression is used as a conditional in a conditional expression
  2142. C<(?(condition)...)>, or it is not.  If the code expression is a
  2143. conditional, the code is evaluated and the result (i.e., the result of
  2144. the last statement) is used to determine truth or falsehood.  If the
  2145. code expression is not used as a conditional, the assertion always
  2146. evaluates true and the result is put into the special variable
  2147. C<$^R>.  The variable C<$^R> can then be used in code expressions later
  2148. in the regexp.  Here are some silly examples:
  2149.  
  2150.     $x = "abcdef";
  2151.     $x =~ /abc(?{print "Hi Mom!";})def/; # matches,
  2152.                                          # prints 'Hi Mom!'
  2153.     $x =~ /aaa(?{print "Hi Mom!";})def/; # doesn't match,
  2154.                                          # no 'Hi Mom!'
  2155.  
  2156. Pay careful attention to the next example:
  2157.  
  2158.     $x =~ /abc(?{print "Hi Mom!";})ddd/; # doesn't match,
  2159.                                          # no 'Hi Mom!'
  2160.                                          # but why not?
  2161.  
  2162. At first glance, you'd think that it shouldn't print, because obviously
  2163. the C<ddd> isn't going to match the target string. But look at this
  2164. example:
  2165.  
  2166.     $x =~ /abc(?{print "Hi Mom!";})[d]dd/; # doesn't match,
  2167.                                            # but _does_ print
  2168.  
  2169. Hmm. What happened here? If you've been following along, you know that
  2170. the above pattern should be effectively the same as the last one --
  2171. enclosing the d in a character class isn't going to change what it
  2172. matches. So why does the first not print while the second one does?
  2173.  
  2174. The answer lies in the optimizations the REx engine makes. In the first
  2175. case, all the engine sees are plain old characters (aside from the
  2176. C<?{}> construct). It's smart enough to realize that the string 'ddd'
  2177. doesn't occur in our target string before actually running the pattern
  2178. through. But in the second case, we've tricked it into thinking that our
  2179. pattern is more complicated than it is. It takes a look, sees our
  2180. character class, and decides that it will have to actually run the
  2181. pattern to determine whether or not it matches, and in the process of
  2182. running it hits the print statement before it discovers that we don't
  2183. have a match.
  2184.  
  2185. To take a closer look at how the engine does optimizations, see the
  2186. section L<"Pragmas and debugging"> below.
  2187.  
  2188. More fun with C<?{}>:
  2189.  
  2190.     $x =~ /(?{print "Hi Mom!";})/;       # matches,
  2191.                                          # prints 'Hi Mom!'
  2192.     $x =~ /(?{$c = 1;})(?{print "$c";})/;  # matches,
  2193.                                            # prints '1'
  2194.     $x =~ /(?{$c = 1;})(?{print "$^R";})/; # matches,
  2195.                                            # prints '1'
  2196.  
  2197. The bit of magic mentioned in the section title occurs when the regexp
  2198. backtracks in the process of searching for a match.  If the regexp
  2199. backtracks over a code expression and if the variables used within are
  2200. localized using C<local>, the changes in the variables produced by the
  2201. code expression are undone! Thus, if we wanted to count how many times
  2202. a character got matched inside a group, we could use, e.g.,
  2203.  
  2204.     $x = "aaaa";
  2205.     $count = 0;  # initialize 'a' count
  2206.     $c = "bob";  # test if $c gets clobbered
  2207.     $x =~ /(?{local $c = 0;})         # initialize count
  2208.            ( a                        # match 'a'
  2209.              (?{local $c = $c + 1;})  # increment count
  2210.            )*                         # do this any number of times,
  2211.            aa                         # but match 'aa' at the end
  2212.            (?{$count = $c;})          # copy local $c var into $count
  2213.           /x;
  2214.     print "'a' count is $count, \$c variable is '$c'\n";
  2215.  
  2216. This prints
  2217.  
  2218.     'a' count is 2, $c variable is 'bob'
  2219.  
  2220. If we replace the S<C< (?{local $c = $c + 1;})> > with
  2221. S<C< (?{$c = $c + 1;})> >, the variable changes are I<not> undone
  2222. during backtracking, and we get
  2223.  
  2224.     'a' count is 4, $c variable is 'bob'
  2225.  
  2226. Note that only localized variable changes are undone.  Other side
  2227. effects of code expression execution are permanent.  Thus
  2228.  
  2229.     $x = "aaaa";
  2230.     $x =~ /(a(?{print "Yow\n";}))*aa/;
  2231.  
  2232. produces
  2233.  
  2234.    Yow
  2235.    Yow
  2236.    Yow
  2237.    Yow
  2238.  
  2239. The result C<$^R> is automatically localized, so that it will behave
  2240. properly in the presence of backtracking.
  2241.  
  2242. This example uses a code expression in a conditional to match the
  2243. article 'the' in either English or German:
  2244.  
  2245.     $lang = 'DE';  # use German
  2246.     ...
  2247.     $text = "das";
  2248.     print "matched\n"
  2249.         if $text =~ /(?(?{
  2250.                           $lang eq 'EN'; # is the language English?
  2251.                          })
  2252.                        the |             # if so, then match 'the'
  2253.                        (die|das|der)     # else, match 'die|das|der'
  2254.                      )
  2255.                     /xi;
  2256.  
  2257. Note that the syntax here is C<(?(?{...})yes-regexp|no-regexp)>, not
  2258. C<(?((?{...}))yes-regexp|no-regexp)>.  In other words, in the case of a
  2259. code expression, we don't need the extra parentheses around the
  2260. conditional.
  2261.  
  2262. If you try to use code expressions with interpolating variables, perl
  2263. may surprise you:
  2264.  
  2265.     $bar = 5;
  2266.     $pat = '(?{ 1 })';
  2267.     /foo(?{ $bar })bar/; # compiles ok, $bar not interpolated
  2268.     /foo(?{ 1 })$bar/;   # compile error!
  2269.     /foo${pat}bar/;      # compile error!
  2270.  
  2271.     $pat = qr/(?{ $foo = 1 })/;  # precompile code regexp
  2272.     /foo${pat}bar/;      # compiles ok
  2273.  
  2274. If a regexp has (1) code expressions and interpolating variables,or
  2275. (2) a variable that interpolates a code expression, perl treats the
  2276. regexp as an error. If the code expression is precompiled into a
  2277. variable, however, interpolating is ok. The question is, why is this
  2278. an error?
  2279.  
  2280. The reason is that variable interpolation and code expressions
  2281. together pose a security risk.  The combination is dangerous because
  2282. many programmers who write search engines often take user input and
  2283. plug it directly into a regexp:
  2284.  
  2285.     $regexp = <>;       # read user-supplied regexp
  2286.     $chomp $regexp;     # get rid of possible newline
  2287.     $text =~ /$regexp/; # search $text for the $regexp
  2288.  
  2289. If the C<$regexp> variable contains a code expression, the user could
  2290. then execute arbitrary Perl code.  For instance, some joker could
  2291. search for S<C<system('rm -rf *');> > to erase your files.  In this
  2292. sense, the combination of interpolation and code expressions B<taints>
  2293. your regexp.  So by default, using both interpolation and code
  2294. expressions in the same regexp is not allowed.  If you're not
  2295. concerned about malicious users, it is possible to bypass this
  2296. security check by invoking S<C<use re 'eval'> >:
  2297.  
  2298.     use re 'eval';       # throw caution out the door
  2299.     $bar = 5;
  2300.     $pat = '(?{ 1 })';
  2301.     /foo(?{ 1 })$bar/;   # compiles ok
  2302.     /foo${pat}bar/;      # compiles ok
  2303.  
  2304. Another form of code expression is the S<B<pattern code expression> >.
  2305. The pattern code expression is like a regular code expression, except
  2306. that the result of the code evaluation is treated as a regular
  2307. expression and matched immediately.  A simple example is
  2308.  
  2309.     $length = 5;
  2310.     $char = 'a';
  2311.     $x = 'aaaaabb';
  2312.     $x =~ /(??{$char x $length})/x; # matches, there are 5 of 'a'
  2313.  
  2314.  
  2315. This final example contains both ordinary and pattern code
  2316. expressions.   It detects if a binary string C<1101010010001...> has a
  2317. Fibonacci spacing 0,1,1,2,3,5,...  of the C<1>'s:
  2318.  
  2319.     $s0 = 0; $s1 = 1; # initial conditions
  2320.     $x = "1101010010001000001";
  2321.     print "It is a Fibonacci sequence\n"
  2322.         if $x =~ /^1         # match an initial '1'
  2323.                     (
  2324.                        (??{'0' x $s0}) # match $s0 of '0'
  2325.                        1               # and then a '1'
  2326.                        (?{
  2327.                           $largest = $s0;   # largest seq so far
  2328.                           $s2 = $s1 + $s0;  # compute next term
  2329.                           $s0 = $s1;        # in Fibonacci sequence
  2330.                           $s1 = $s2;
  2331.                          })
  2332.                     )+   # repeat as needed
  2333.                   $      # that is all there is
  2334.                  /x;
  2335.     print "Largest sequence matched was $largest\n";
  2336.  
  2337. This prints
  2338.  
  2339.     It is a Fibonacci sequence
  2340.     Largest sequence matched was 5
  2341.  
  2342. Ha! Try that with your garden variety regexp package...
  2343.  
  2344. Note that the variables C<$s0> and C<$s1> are not substituted when the
  2345. regexp is compiled, as happens for ordinary variables outside a code
  2346. expression.  Rather, the code expressions are evaluated when perl
  2347. encounters them during the search for a match.
  2348.  
  2349. The regexp without the C<//x> modifier is
  2350.  
  2351.     /^1((??{'0'x$s0})1(?{$largest=$s0;$s2=$s1+$s0$s0=$s1;$s1=$s2;}))+$/;
  2352.  
  2353. and is a great start on an Obfuscated Perl entry :-) When working with
  2354. code and conditional expressions, the extended form of regexps is
  2355. almost necessary in creating and debugging regexps.
  2356.  
  2357. =head2 Pragmas and debugging
  2358.  
  2359. Speaking of debugging, there are several pragmas available to control
  2360. and debug regexps in Perl.  We have already encountered one pragma in
  2361. the previous section, S<C<use re 'eval';> >, that allows variable
  2362. interpolation and code expressions to coexist in a regexp.  The other
  2363. pragmas are
  2364.  
  2365.     use re 'taint';
  2366.     $tainted = <>;
  2367.     @parts = ($tainted =~ /(\w+)\s+(\w+)/; # @parts is now tainted
  2368.  
  2369. The C<taint> pragma causes any substrings from a match with a tainted
  2370. variable to be tainted as well.  This is not normally the case, as
  2371. regexps are often used to extract the safe bits from a tainted
  2372. variable.  Use C<taint> when you are not extracting safe bits, but are
  2373. performing some other processing.  Both C<taint> and C<eval> pragmas
  2374. are lexically scoped, which means they are in effect only until
  2375. the end of the block enclosing the pragmas.
  2376.  
  2377.     use re 'debug';
  2378.     /^(.*)$/s;       # output debugging info
  2379.  
  2380.     use re 'debugcolor';
  2381.     /^(.*)$/s;       # output debugging info in living color
  2382.  
  2383. The global C<debug> and C<debugcolor> pragmas allow one to get
  2384. detailed debugging info about regexp compilation and
  2385. execution.  C<debugcolor> is the same as debug, except the debugging
  2386. information is displayed in color on terminals that can display
  2387. termcap color sequences.  Here is example output:
  2388.  
  2389.     % perl -e 'use re "debug"; "abc" =~ /a*b+c/;'
  2390.     Compiling REx `a*b+c'
  2391.     size 9 first at 1
  2392.        1: STAR(4)
  2393.        2:   EXACT <a>(0)
  2394.        4: PLUS(7)
  2395.        5:   EXACT <b>(0)
  2396.        7: EXACT <c>(9)
  2397.        9: END(0)
  2398.     floating `bc' at 0..2147483647 (checking floating) minlen 2
  2399.     Guessing start of match, REx `a*b+c' against `abc'...
  2400.     Found floating substr `bc' at offset 1...
  2401.     Guessed: match at offset 0
  2402.     Matching REx `a*b+c' against `abc'
  2403.       Setting an EVAL scope, savestack=3
  2404.        0 <> <abc>             |  1:  STAR
  2405.                                EXACT <a> can match 1 times out of 32767...
  2406.       Setting an EVAL scope, savestack=3
  2407.        1 <a> <bc>             |  4:    PLUS
  2408.                                EXACT <b> can match 1 times out of 32767...
  2409.       Setting an EVAL scope, savestack=3
  2410.        2 <ab> <c>             |  7:      EXACT <c>
  2411.        3 <abc> <>             |  9:      END
  2412.     Match successful!
  2413.     Freeing REx: `a*b+c'
  2414.  
  2415. If you have gotten this far into the tutorial, you can probably guess
  2416. what the different parts of the debugging output tell you.  The first
  2417. part
  2418.  
  2419.     Compiling REx `a*b+c'
  2420.     size 9 first at 1
  2421.        1: STAR(4)
  2422.        2:   EXACT <a>(0)
  2423.        4: PLUS(7)
  2424.        5:   EXACT <b>(0)
  2425.        7: EXACT <c>(9)
  2426.        9: END(0)
  2427.  
  2428. describes the compilation stage.  C<STAR(4)> means that there is a
  2429. starred object, in this case C<'a'>, and if it matches, goto line 4,
  2430. i.e., C<PLUS(7)>.  The middle lines describe some heuristics and
  2431. optimizations performed before a match:
  2432.  
  2433.     floating `bc' at 0..2147483647 (checking floating) minlen 2
  2434.     Guessing start of match, REx `a*b+c' against `abc'...
  2435.     Found floating substr `bc' at offset 1...
  2436.     Guessed: match at offset 0
  2437.  
  2438. Then the match is executed and the remaining lines describe the
  2439. process:
  2440.  
  2441.     Matching REx `a*b+c' against `abc'
  2442.       Setting an EVAL scope, savestack=3
  2443.        0 <> <abc>             |  1:  STAR
  2444.                                EXACT <a> can match 1 times out of 32767...
  2445.       Setting an EVAL scope, savestack=3
  2446.        1 <a> <bc>             |  4:    PLUS
  2447.                                EXACT <b> can match 1 times out of 32767...
  2448.       Setting an EVAL scope, savestack=3
  2449.        2 <ab> <c>             |  7:      EXACT <c>
  2450.        3 <abc> <>             |  9:      END
  2451.     Match successful!
  2452.     Freeing REx: `a*b+c'
  2453.  
  2454. Each step is of the form S<C<< n <x> <y> >> >, with C<< <x> >> the
  2455. part of the string matched and C<< <y> >> the part not yet
  2456. matched.  The S<C<< |  1:  STAR >> > says that perl is at line number 1
  2457. n the compilation list above.  See
  2458. L<perldebguts/"Debugging regular expressions"> for much more detail.
  2459.  
  2460. An alternative method of debugging regexps is to embed C<print>
  2461. statements within the regexp.  This provides a blow-by-blow account of
  2462. the backtracking in an alternation:
  2463.  
  2464.     "that this" =~ m@(?{print "Start at position ", pos, "\n";})
  2465.                      t(?{print "t1\n";})
  2466.                      h(?{print "h1\n";})
  2467.                      i(?{print "i1\n";})
  2468.                      s(?{print "s1\n";})
  2469.                          |
  2470.                      t(?{print "t2\n";})
  2471.                      h(?{print "h2\n";})
  2472.                      a(?{print "a2\n";})
  2473.                      t(?{print "t2\n";})
  2474.                      (?{print "Done at position ", pos, "\n";})
  2475.                     @x;
  2476.  
  2477. prints
  2478.  
  2479.     Start at position 0
  2480.     t1
  2481.     h1
  2482.     t2
  2483.     h2
  2484.     a2
  2485.     t2
  2486.     Done at position 4
  2487.  
  2488. =head1 BUGS
  2489.  
  2490. Code expressions, conditional expressions, and independent expressions
  2491. are B<experimental>.  Don't use them in production code.  Yet.
  2492.  
  2493. =head1 SEE ALSO
  2494.  
  2495. This is just a tutorial.  For the full story on perl regular
  2496. expressions, see the L<perlre> regular expressions reference page.
  2497.  
  2498. For more information on the matching C<m//> and substitution C<s///>
  2499. operators, see L<perlop/"Regexp Quote-Like Operators">.  For
  2500. information on the C<split> operation, see L<perlfunc/split>.
  2501.  
  2502. For an excellent all-around resource on the care and feeding of
  2503. regular expressions, see the book I<Mastering Regular Expressions> by
  2504. Jeffrey Friedl (published by O'Reilly, ISBN 1556592-257-3).
  2505.  
  2506. =head1 AUTHOR AND COPYRIGHT
  2507.  
  2508. Copyright (c) 2000 Mark Kvale
  2509. All rights reserved.
  2510.  
  2511. This document may be distributed under the same terms as Perl itself.
  2512.  
  2513. =head2 Acknowledgments
  2514.  
  2515. The inspiration for the stop codon DNA example came from the ZIP
  2516. code example in chapter 7 of I<Mastering Regular Expressions>.
  2517.  
  2518. The author would like to thank Jeff Pinyan, Andrew Johnson, Peter
  2519. Haworth, Ronald J Kimball, and Joe Smith for all their helpful
  2520. comments.
  2521.  
  2522. =cut
  2523.  
  2524.