Sources Contact Advanced Search Tutorials

An Interest In:

Web News this Week

Search Archive

Some of Our Sources

View All Sources

Help Webnuz

Referal links:

September 15, 2022 10:35 pm GMT

Expresses Regulares IV - as trs regras da regex I - backtracking

Alguns anos atrs eu comecei a falar que h trs regras para se usar expresses regulares

no use regex
reconsidere se voc precisa usar regex
conhea sua engine

Pode parecer engraado eu usar duas regras para desencorajar o uso de regex sendo que eu estudo isso e estou inclusive escrevendo uma srie de artigos dedicados a ensinar como us-la, mas eu vou explicar.

A primeira e a segunda regra so na verdade a mesma e esto duplicadas para efeito de nfase.

Quando comeamos a aprender regex (e at quando j sabemos h um tempo), ficamos tentados a usar para solucionar qualquer problema. Da fazemos coisas como essa para validar uma data.

/^(?:([0-1])|(2)|(3))(?(1)[0-9])(?(2)(?:([0-8])|(9)))(?(3)[0-1])\/(?:(01|03|05|07|09|11)|(04|06|08|10|12)|(02))(?(3)(?(8)(?!)))\/\d*(?:(04|08|12|16|20|24|28|32|36|40|44|48|52|56|60|64|68|72|76|80|84|88|92|96)|(\d\d))(?:(00)|(04|08|12|16|20|24|28|32|36|40|44|48|52|56|60|64|68|72|76|80|84|88|92|96)|\d{2})(?(2)(?(5)(?(8)(?(11)(?(9)|(?!))|(?(12)|(?!))))))/

(podem test-la, a propsito https://regex101.com/r/aqEsf1/1)

Essa atrocidade de regex valida no somente o formato da data (que precisa ser dd/MM/yyyy), mas tambm valida se a data vlida. Dia 31 de setembro no validada. Dia 29 de fevereiro de 2021 no validada. Eu tenho um certo orgulho dessa regex, francamente (sim, eu que fiz).

Porque no a usamos ento? Eu apresento dois motivos.

O primeiro mais bvio: essa regex incompreensvel e um pesadelo de se mexer. Se houver algum bug nela, qualquer tentativa de mud-la ser muito custosa.
O segundo no to bvio, mas deve ser simples de entender: essa regex muito custosa para a engine.

Para explicar, precisamos falar sobre como a engine funciona internamente. Apertem os cintos e vamos l!

Funcionamento interno das engines de regex

Embora cada engine tenha uma particularidade, podemos divid-las em duas categorias: engines text-directed e regex-directed.
No falaremos de engines text-directed aqui, pois seu funcionamento trivial porque no existe backtracking e as engines mais usadas so as regex-directed. Vamos a elas ento.

As engines regex-directed, chamadas a partir de agora somente de engines, funcionam basicamente da seguinte forma:

Enquanto houver tokens na regex, pegue o prximo token
Tente dar match com o prximo caracter da string
Se houver match, avance para o prximo token da regex e o prximo caracter da string
Se no, volte at uma posio anterior da regex para testar um outro caminho por ela (esse o backtracking)

Vamos de exemplo. Vamos aplicar a regex /<.*?>/ no texto <span>Teste</span>.

Enquanto houver tokens na regex, pegue o prximo token (<)
D match com o prximo caracter da string (<)1 Houve match, ento avana para o prximo token da regex (.*?) e prximo caracter da string (s)
O token .*? o quantificador lazy que vai dar match no mnimo possvel para que a regex seja vlida. A primeira tentativa de um match sem tamanho (match em '').
D match, ento avana para o prximo token da regex (>) e o prximo caracter da string (s).
No d match, ento retorna a regex pro token anterior (.*?)
D match, pois . d match em qualquer caracter (exceto quebra de linha), ento avana para o prximo token da regex (>) e o prximo caracter da string (p).
No d match, ento retorna regex (.*?).
.*? deu match em s antes, mas agora precisa dar match em sp. Tudo bem, pois . d match em qualquer caracter (exceto quebra de linha) e * d match em mais de um caracter.
D match, ento avana regex (>) e string (a).
No d match. Isso vai se repetir at a regex encontrar na string o caracter >. Nesse caso, ela vai dar match e retornar ok.

Segue um esquema tirado da aplicao RegexBuddy para explicar melhor.

Beginning match attempt at character 0<< ok< backtrack<s<s backtrack<sp<sp backtrack<spa<spa backtrack<span<span backtrack<span>Match found in 11 steps

(espaos adicionados por clareza)

Dessa maneira, possvel notar que h as engines vo e voltam na string at encontrar uma soluo para a regex. Vamos pegar o diagrama do RegexBuddy para uma data e aquela regex.

Beggining match attempt at character 0ok111121212 ok12 ok12 ok12 ok12/12/012/0 backtrack12/012/0 backtrack12/012/0 backtrack12/012/0 backtrack12/012/0 backtrack12/ backtrack12/ backtrack12/012/0 backtrack12/012/0 backtrack12/012/0 backtrack12/ backtrack12/ backtrack12/ backtrack12/012/0212/0212/0212/02 ok12/02 ok12/02/12/02/ backtrack12/02/ backtrack12/02/ backtrack12/02/ backtrack12/20/212/02/2012/02/2012/02/2012/02/20012/02/200 backtrack12/02/20 backtrack12/02/20012/02/200 backtrack12/02/20012/02/200 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/20 backtrack12/02/200312/02/200312/03/2003 ok12/03/2003 okMatch found in 81 steps

Um tanto mais complexo que a soluo preferida, que em Java seria algo como:

Date date = new Date('12/02/2003');

Pois a implementao do Java j testa se a data vlida ao instanciar o objeto.
importante lembrar que nenhuma engine de regex tem informaes semnticas sobre o texto. Enquanto o Java tem como saber que 12 na data dia e 2003 ano, a engine de regex s entende texto.

A mesma coisa para email. Em vez de usar uma regex monstruosa como a seguinte:

(?:(?:\r
)?[ ])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)*\<(?:(?:\r
)?[ ])*(?:@(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*(?:,@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*)*:(?:(?:\r
)?[ ])*)?(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*\>(?:(?:\r
)?[ ])*)|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)*:(?:(?:\r
)?[ ])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)*\<(?:(?:\r
)?[ ])*(?:@(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*(?:,@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*)*:(?:(?:\r
)?[ ])*)?(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*\>(?:(?:\r
)?[ ])*)(?:,\s*(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)*\<(?:(?:\r
)?[ ])*(?:@(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*(?:,@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*)*:(?:(?:\r
)?[ ])*)?(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r
)?[ ]))*"(?:(?:\r
)?[ ])*))*@(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*)(?:\.(?:(?:\r
)?[ ])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r
)?[ ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r
)?[ ])*))*\>(?:(?:\r
)?[ ])*))*)?;\s*)

uma soluo mais simples mandar um email para o endereo. Se estiver vlido, o email chegar. Para auxiliar o usurio a preencher o formulrio, basta verificar com essa regex

.*@.*\..*

ou algo parecido.

A terceira regra ser tratada no prximo artigo. Abraos.

Original Link: https://dev.to/feministech/expressoes-regulares-iv-as-tres-regras-da-regex-i-backtracking-16j1

Share this article:

View Full Article

Dev To

An online community for sharing and discovering great ideas, having debates, and making friends

More About this Source Visit Dev To