Espressioni regolari (Regular Expressions, RegEx)

Questa sezione serve a fornire una breve introduzione alle espressioni regolari. Non è di certo esaustiva, poiché le espressioni regolari rappresentano una tipologia ben definita e a se stante del linguaggio delle corrispondenze. Qualora si voglia approfondire l'argomento, è comunque possibile trovare tonnellate di informazioni in internet; è sufficiente cercare "tutorial espressioni regolari" o "introduzione alle espressioni regolari" o qualcosa di simile.

Corrispondenza con tutti i file .*\.xlsx? di Microsoft Excel

Nelle espressioni regolari (spesso abbreviate in RegEx), certi caratteri hanno un significato speciale. Per esempio il punto ('.') sta esattamente al posto di un solo carattere, qualunque esso sia. Pertanto è possibile, per esempio, usare la regex p.zzo per trovare corrispondenza con pazzo o con pezzo, ma anche con pizzo o p8zzo.

Un altro carattere speciale è l'asterisco ('*') che sta per "il carattere precedente, ripetuto zero o più volte". Pertanto se si scrive la regex ciao*, vi corrispondono le seguenti stringhe: cia, ciao, ciaoo, ciaooo e così via.

Come conseguenza di queste regole, se il punto e l'asterisco vengono messi assieme, essi corrispondono ad una sequenza di caratteri arbitraria. Per esempio la regex gen.*ione corrisponde a: genione, generalizzazione, generazione, gentrificazione e così via.

Un carattere speciale, simile all'asterisco è il punto di domanda ('?'), che significa "il carattere precedente preso esattamente zero o una volta". È anche possibile riformulare tale affermazione in questi termini: "il carattere precedente può esserci o non esserci". Come l'asterisco, il punto di domanda può essere combinato con un punto. Pertanto la regex pizz.? può corrispondere a: pizz, pizza, pizze, pizz4, ecc...

Poiché caratteri come il punto e l'asterisco hanno un significato speciale, se si vuole una corrispondenza letterale con questi caratteri è necessario eseguire quello che tecnicamente viene definito come fornire loro un escape. Dal punto di vista pratico bisogna cioè far precedere questi caratteri speciali da un altro carattere speciale, la barra rovesciata o backslash ('\'). Un caso tipico in cui è necessario usare il backslash è qualora si voglia una corrispondenza esatta con il punto presente all'interno di un nome di file. Per esempio per cercare tutti i file che corrispondono al nome del file license.txt, bisogna usare la regex license\.txt e non la semplice stringa license.txt — quest'ultima infatti avrebbe come corrispondenza anche nomi di file quali, per esempio, license-txt.

Mettendo tutto assieme, è pertanto possibile scrivere una regex cui corrispondono tutti i tipi di file Microsoft Excel e cioé: .*\.xlsx?; questa regex sostanzialmente corrisponde a: "una sequenza arbitraria di caratteri (.*) seguita da un punto vero (\.), seguita dalla stringa xls e avente una (x?) finale opzionale.

Ricerca di corrispondenza con una sequenza di cifre: journal\d+\.doc

Si supponga ora di voler cercare una corrispondenza con tutti i file Microsoft Word che iniziano con la stringa "journal" e che finiscono con una data, per esempio: "journal2007.doc". Inoltre, non si vogliano trovare corrispondenze con file aventi nome simile quali, per esempio, "journalism.doc".

Una regex come journal.*\.doc in questo caso non funziona perché vi corrisponderebbe anche "journalism.doc". Il primo passaggio per risolvere il problema è quello di rimpiazzare il punto o con '[0-9]' o con \d, il cui significato, in entambi i casi, è di creare una corrispondenza esatta con una cifra. L'espressione [0-9] è una notazione più generale rispetto a \d, perché è possibile scrivere, per esempio, [4-6] intendendo farvi corrispondere solo le cifre 4, 5 e 6. Nota Bene: Questa tipologia (l'inclusione fra parentesi quadre) funziona anche per le lettere. Per esempio: [m-p] corrisponde a tutte le lettere minuscole comprese fra la "m" e la "p" (estremi inclusi).

Combinando \d con un asterisco, è possibile scrivere l'espressione regolare journal\d*\.doc, cui corrisponde per esempio il nome del file "journal2007.doc", ma non "journalism.doc". Ma ciò non è completamente corretto. Si ricordi infatti che l'asterisco significa il carattere precedente ripetuto zero o più volte. In questo caso però non si vuole che vi siano zero cifre dopo "journal"; se ne vuole almeno una — altrimenti la regex avrebbe come corrispondenza anche il file "journal.doc".

Ecco allora intervenire un altro carattere speciale: il più il cui simbolo ('+') sta per il carattere precedente, ripetuto una o più volte. Pertanto la versione finale della nostra espressione regolare sarà: journal\d+\.doc