lib/libcr/regex/re_format.7

   1 .\" Copyright (c) 1992, 1993, 1994 Henry Spencer.
   2 .\" Copyright (c) 1992, 1993, 1994
   3 .\"     The Regents of the University of California.  All rights reserved.
   4 .\"
   5 .\" This code is derived from software contributed to Berkeley by
   6 .\" Henry Spencer.
   7 .\"
   8 .\" Redistribution and use in source and binary forms, with or without
   9 .\" modification, are permitted provided that the following conditions
  10 .\" are met:
  11 .\" 1. Redistributions of source code must retain the above copyright
  12 .\"    notice, this list of conditions and the following disclaimer.
  13 .\" 2. Redistributions in binary form must reproduce the above copyright
  14 .\"    notice, this list of conditions and the following disclaimer in the
  15 .\"    documentation and/or other materials provided with the distribution.
  16 .\" 3. All advertising materials mentioning features or use of this software
  17 .\"    must display the following acknowledgement:
  18 .\"     This product includes software developed by the University of
  19 .\"     California, Berkeley and its contributors.
  20 .\" 4. Neither the name of the University nor the names of its contributors
  21 .\"    may be used to endorse or promote products derived from this software
  22 .\"    without specific prior written permission.
  23 .\"
  24 .\" THIS SOFTWARE IS PROVIDED BY THE REGENTS AND CONTRIBUTORS ``AS IS'' AND
  25 .\" ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE
  26 .\" IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE
  27 .\" ARE DISCLAIMED.  IN NO EVENT SHALL THE REGENTS OR CONTRIBUTORS BE LIABLE
  28 .\" FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL
  29 .\" DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS
  30 .\" OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION)
  31 .\" HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT
  32 .\" LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY
  33 .\" OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF
  34 .\" SUCH DAMAGE.
  35 .\"
  36 .\"     @(#)re_format.7 8.3 (Berkeley) 3/20/94
  37 .\" $FreeBSD: src/lib/libc/regex/re_format.7,v 1.4.2.5 2002/01/22 12:40:10 ru Exp $
  38 .\"
  39 .Dd March 20, 1994
  40 .Dt RE_FORMAT 7
  41 .Os
  42 .Sh NAME
  43 .Nm re_format
  44 .Nd POSIX 1003.2 regular expressions
  45 .Sh DESCRIPTION
  46 Regular expressions
  47 .Pq Dq RE Ns s ,
  48 as defined in
  49 .St -p1003.2 ,
  50 come in two forms:
  51 modern REs (roughly those of
  52 .Xr egrep 1 ;
  53 1003.2 calls these
  54 .Dq extended
  55 REs)
  56 and obsolete REs (roughly those of
  57 .Xr ed 1 ;
  58 1003.2
  59 .Dq basic
  60 REs).
  61 Obsolete REs mostly exist for backward compatibility in some old programs;
  62 they will be discussed at the end.
  63 .St -p1003.2
  64 leaves some aspects of RE syntax and semantics open;
  65 `\(dd' marks decisions on these aspects that
  66 may not be fully portable to other
  67 .St -p1003.2
  68 implementations.
  69 .Pp
  70 A (modern) RE is one\(dd or more non-empty\(dd
  71 .Em branches ,
  72 separated by
  73 .Ql \&| .
  74 It matches anything that matches one of the branches.
  75 .Pp
  76 A branch is one\(dd or more
  77 .Em pieces ,
  78 concatenated.
  79 It matches a match for the first, followed by a match for the second, etc.
  80 .Pp
  81 A piece is an
  82 .Em atom
  83 possibly followed
  84 by a single\(dd
  85 .Ql \&* ,
  86 .Ql \&+ ,
  87 .Ql \&? ,
  88 or
  89 .Em bound .
  90 An atom followed by
  91 .Ql \&*
  92 matches a sequence of 0 or more matches of the atom.
  93 An atom followed by
  94 .Ql \&+
  95 matches a sequence of 1 or more matches of the atom.
  96 An atom followed by
  97 .Ql ?\&
  98 matches a sequence of 0 or 1 matches of the atom.
  99 .Pp
 100 A
 101 .Em bound
 102 is
 103 .Ql \&{
 104 followed by an unsigned decimal integer,
 105 possibly followed by
 106 .Ql \&,
 107 possibly followed by another unsigned decimal integer,
 108 always followed by
 109 .Ql \&} .
 110 The integers must lie between 0 and
 111 .Dv RE_DUP_MAX
 112 (255\(dd) inclusive,
 113 and if there are two of them, the first may not exceed the second.
 114 An atom followed by a bound containing one integer
 115 .Em i
 116 and no comma matches
 117 a sequence of exactly
 118 .Em i
 119 matches of the atom.
 120 An atom followed by a bound
 121 containing one integer
 122 .Em i
 123 and a comma matches
 124 a sequence of
 125 .Em i
 126 or more matches of the atom.
 127 An atom followed by a bound
 128 containing two integers
 129 .Em i
 130 and
 131 .Em j
 132 matches
 133 a sequence of
 134 .Em i
 135 through
 136 .Em j
 137 (inclusive) matches of the atom.
 138 .Pp
 139 An atom is a regular expression enclosed in
 140 .Ql ()
 141 (matching a match for the
 142 regular expression),
 143 an empty set of
 144 .Ql ()
 145 (matching the null string)\(dd,
 146 a
 147 .Em bracket expression
 148 (see below),
 149 .Ql .\&
 150 (matching any single character),
 151 .Ql \&^
 152 (matching the null string at the beginning of a line),
 153 .Ql \&$
 154 (matching the null string at the end of a line), a
 155 .Ql \e
 156 followed by one of the characters
 157 .Ql ^.[$()|*+?{\e
 158 (matching that character taken as an ordinary character),
 159 a
 160 .Ql \e
 161 followed by any other character\(dd
 162 (matching that character taken as an ordinary character,
 163 as if the
 164 .Ql \e
 165 had not been present\(dd),
 166 or a single character with no other significance (matching that character).
 167 A
 168 .Ql \&{
 169 followed by a character other than a digit is an ordinary
 170 character, not the beginning of a bound\(dd.
 171 It is illegal to end an RE with
 172 .Ql \e .
 173 .Pp
 174 A
 175 .Em bracket expression
 176 is a list of characters enclosed in
 177 .Ql [] .
 178 It normally matches any single character from the list (but see below).
 179 If the list begins with
 180 .Ql \&^ ,
 181 it matches any single character
 182 (but see below)
 183 .Em not
 184 from the rest of the list.
 185 If two characters in the list are separated by
 186 .Ql \&- ,
 187 this is shorthand
 188 for the full
 189 .Em range
 190 of characters between those two (inclusive) in the
 191 collating sequence,
 192 .No e.g. Ql [0-9]
 193 in ASCII matches any decimal digit.
 194 It is illegal\(dd for two ranges to share an
 195 endpoint,
 196 .No e.g. Ql a-c-e .
 197 Ranges are very collating-sequence-dependent,
 198 and portable programs should avoid relying on them.
 199 .Pp
 200 To include a literal
 201 .Ql \&]
 202 in the list, make it the first character
 203 (following a possible
 204 .Ql \&^ ) .
 205 To include a literal
 206 .Ql \&- ,
 207 make it the first or last character,
 208 or the second endpoint of a range.
 209 To use a literal
 210 .Ql \&-
 211 as the first endpoint of a range,
 212 enclose it in
 213 .Ql [.\&
 214 and
 215 .Ql .]\&
 216 to make it a collating element (see below).
 217 With the exception of these and some combinations using
 218 .Ql \&[
 219 (see next paragraphs), all other special characters, including
 220 .Ql \e ,
 221 lose their special significance within a bracket expression.
 222 .Pp
 223 Within a bracket expression, a collating element (a character,
 224 a multi-character sequence that collates as if it were a single character,
 225 or a collating-sequence name for either)
 226 enclosed in
 227 .Ql [.\&
 228 and
 229 .Ql .]\&
 230 stands for the
 231 sequence of characters of that collating element.
 232 The sequence is a single element of the bracket expression's list.
 233 A bracket expression containing a multi-character collating element
 234 can thus match more than one character,
 235 e.g. if the collating sequence includes a
 236 .Ql ch
 237 collating element,
 238 then the RE
 239 .Ql [[.ch.]]*c
 240 matches the first five characters
 241 of
 242 .Ql chchcc .
 243 .Pp
 244 Within a bracket expression, a collating element enclosed in
 245 .Ql [=
 246 and
 247 .Ql =]
 248 is an equivalence class, standing for the sequences of characters
 249 of all collating elements equivalent to that one, including itself.
 250 (If there are no other equivalent collating elements,
 251 the treatment is as if the enclosing delimiters were
 252 .Ql [.\&
 253 and
 254 .Ql .] . )
 255 For example, if
 256 .Ql x
 257 and
 258 .Ql y
 259 are the members of an equivalence class,
 260 then
 261 .Ql [[=x=]] ,
 262 .Ql [[=y=]] ,
 263 and
 264 .Ql [xy]
 265 are all synonymous.
 266 An equivalence class may not\(dd be an endpoint
 267 of a range.
 268 .Pp
 269 Within a bracket expression, the name of a
 270 .Em character class
 271 enclosed in
 272 .Ql [:
 273 and
 274 .Ql :]
 275 stands for the list of all characters belonging to that
 276 class.
 277 Standard character class names are:
 278 .Pp
 279 .Bl -column "alnum" "digit" "xdigit" -offset indent
 280 .It Em "alnum   digit   punct"
 281 .It Em "alpha   graph   space"
 282 .It Em "blank   lower   upper"
 283 .It Em "cntrl   print   xdigit"
 284 .El
 285 .Pp
 286 These stand for the character classes defined in
 287 .Xr ctype 3 .
 288 A locale may provide others.
 289 A character class may not be used as an endpoint of a range.
 290 .Pp
 291 There are two special cases\(dd of bracket expressions:
 292 the bracket expressions
 293 .Ql [[:<:]]
 294 and
 295 .Ql [[:>:]]
 296 match the null string at the beginning and end of a word respectively.
 297 A word is defined as a sequence of word characters
 298 which is neither preceded nor followed by
 299 word characters.
 300 A word character is an
 301 .Em alnum
 302 character (as defined by
 303 .Xr ctype 3 )
 304 or an underscore.
 305 This is an extension,
 306 compatible with but not specified by
 307 .St -p1003.2 ,
 308 and should be used with
 309 caution in software intended to be portable to other systems.
 310 .Pp
 311 In the event that an RE could match more than one substring of a given
 312 string,
 313 the RE matches the one starting earliest in the string.
 314 If the RE could match more than one substring starting at that point,
 315 it matches the longest.
 316 Subexpressions also match the longest possible substrings, subject to
 317 the constraint that the whole match be as long as possible,
 318 with subexpressions starting earlier in the RE taking priority over
 319 ones starting later.
 320 Note that higher-level subexpressions thus take priority over
 321 their lower-level component subexpressions.
 322 .Pp
 323 Match lengths are measured in characters, not collating elements.
 324 A null string is considered longer than no match at all.
 325 For example,
 326 .Ql bb*
 327 matches the three middle characters of
 328 .Ql abbbc ,
 329 .Ql (wee|week)(knights|nights)
 330 matches all ten characters of
 331 .Ql weeknights ,
 332 when
 333 .Ql (.*).*\&
 334 is matched against
 335 .Ql abc
 336 the parenthesized subexpression
 337 matches all three characters, and
 338 when
 339 .Ql (a*)*
 340 is matched against
 341 .Ql bc
 342 both the whole RE and the parenthesized
 343 subexpression match the null string.
 344 .Pp
 345 If case-independent matching is specified,
 346 the effect is much as if all case distinctions had vanished from the
 347 alphabet.
 348 When an alphabetic that exists in multiple cases appears as an
 349 ordinary character outside a bracket expression, it is effectively
 350 transformed into a bracket expression containing both cases,
 351 .No e.g. Ql x
 352 becomes
 353 .Ql [xX] .
 354 When it appears inside a bracket expression, all case counterparts
 355 of it are added to the bracket expression, so that (e.g.)
 356 .Ql [x]
 357 becomes
 358 .Ql [xX]
 359 and
 360 .Ql [^x]
 361 becomes
 362 .Ql [^xX] .
 363 .Pp
 364 No particular limit is imposed on the length of REs\(dd.
 365 Programs intended to be portable should not employ REs longer
 366 than 256 bytes,
 367 as an implementation can refuse to accept such REs and remain
 368 POSIX-compliant.
 369 .Pp
 370 Obsolete
 371 .Pq Dq basic
 372 regular expressions differ in several respects.
 373 .Ql \&|
 374 is an ordinary character and there is no equivalent
 375 for its functionality.
 376 .Ql \&+
 377 and
 378 .Ql ?\&
 379 are ordinary characters, and their functionality
 380 can be expressed using bounds
 381 .No ( Ql {1,}
 382 or
 383 .Ql {0,1}
 384 respectively).
 385 Also note that
 386 .Ql x+
 387 in modern REs is equivalent to
 388 .Ql xx* .
 389 The delimiters for bounds are
 390 .Ql \e{
 391 and
 392 .Ql \e} ,
 393 with
 394 .Ql \&{
 395 and
 396 .Ql \&}
 397 by themselves ordinary characters.
 398 The parentheses for nested subexpressions are
 399 .Ql \e(
 400 and
 401 .Ql \e) ,
 402 with
 403 .Ql \&(
 404 and
 405 .Ql \&)
 406 by themselves ordinary characters.
 407 .Ql \&^
 408 is an ordinary character except at the beginning of the
 409 RE or\(dd the beginning of a parenthesized subexpression,
 410 .Ql \&$
 411 is an ordinary character except at the end of the
 412 RE or\(dd the end of a parenthesized subexpression,
 413 and
 414 .Ql \&*
 415 is an ordinary character if it appears at the beginning of the
 416 RE or the beginning of a parenthesized subexpression
 417 (after a possible leading
 418 .Ql \&^ ) .
 419 Finally, there is one new type of atom, a
 420 .Em back reference :
 421 .Ql \e
 422 followed by a non-zero decimal digit
 423 .Em d
 424 matches the same sequence of characters
 425 matched by the
 426 .Em d Ns th
 427 parenthesized subexpression
 428 (numbering subexpressions by the positions of their opening parentheses,
 429 left to right),
 430 so that (e.g.)
 431 .Ql \e([bc]\e)\e1
 432 matches
 433 .Ql bb
 434 or
 435 .Ql cc
 436 but not
 437 .Ql bc .
 438 .Sh SEE ALSO
 439 .Xr regex 3
 440 .Rs
 441 .%T Regular Expression Notation
 442 .%R IEEE Std
 443 .%N 1003.2
 444 .%P section 2.8
 445 .Re
 446 .Sh BUGS
 447 Having two kinds of REs is a botch.
 448 .Pp
 449 The current
 450 .St -p1003.2
 451 spec says that
 452 .Ql \&)
 453 is an ordinary character in
 454 the absence of an unmatched
 455 .Ql \&( ;
 456 this was an unintentional result of a wording error,
 457 and change is likely.
 458 Avoid relying on it.
 459 .Pp
 460 Back references are a dreadful botch,
 461 posing major problems for efficient implementations.
 462 They are also somewhat vaguely defined
 463 (does
 464 .Ql a\e(\e(b\e)*\e2\e)*d
 465 match
 466 .Ql abbbd ? ) .
 467 Avoid using them.
 468 .Pp
 469 .St -p1003.2
 470 specification of case-independent matching is vague.
 471 The
 472 .Dq one case implies all cases
 473 definition given above
 474 is current consensus among implementors as to the right interpretation.
 475 .Pp
 476 The syntax for word boundaries is incredibly ugly.