<?xml version="1.0" encoding="utf-8"?>

<chapter xml:id="reference.pcre.pattern.syntax" xmlns="http://docbook.org/ns/docbook">

<title>Sintassi dei pattern</title>

<titleabbrev>Sintassi delle regex PCRE</titleabbrev>

<section xml:id="regexp.introduction">

<title>Introduzione</title>

<para>

Di seguito verrà descritta la sintassi e la semantica delle espressioni

regolari così come sono supportate da PCRE. La descrizione delle espressioni regolari

può essere reperita anche nei manuali di Perl e in numerosi

altri libri, alcuni dei quali ricchi di esempi. Ad esempio il libro di Jeffrey

Friedl intitolato "Mastering Regular Expressions", edito

da O'Reilly (ISBN 1-56592-257-3), li tratta in modo dettagliato.

Questa descrizione, invece, viene intesa come una documentazione di riferimento.

</para>

<para>

Una espressione regolare è un criterio utilizzato per

identificare parti di un testo partendo da sinistra verso

destra. La maggior parte delle lettere identifica se

stessa nel testo oggetto del riconoscimento. Ad esempio

il banale testo <literal>La volpe veloce</literal>

intercetta la parte del testo uguale all'espressione

regolare.

</para>

</section>

<section xml:id="regexp.reference.delimiters">

<title>Delimitatori</title>

<para>

Quando si usano le funzioni PCRE, il pattern deve essere racchiuso

da <emphasis>delimitatori</emphasis>. Un delimitatore può essere qualsiasi carattere

non alfanumerico, esclusi il backslash e i caratteri di spazio (spazio, tab, ecc.).

</para>

<para>

Delimitatori usati spesso sono la barra "slash" (<literal>/</literal>), il cancelletto "hash"

(<literal>#</literal>) e la tilde (<literal>~</literal>). I

seguenti sono esempi di delimitazioni valide dei pattern:

<informalexample>

<programlisting>

</programlisting>

</informalexample>

</para>

<para>

If the delimiter needs to be matched inside the pattern it must be

escaped using a backslash. If the delimiter appears often inside the

pattern, it is a good idea to choose another delimiter in order to increase

readability.

<informalexample>

<programlisting>

</programlisting>

</informalexample>

The <function>preg_quote</function> function may be used to escape a string

for injection into a pattern and its optional second parameter may be used

to specify the delimiter to be escaped.

</para>

<para>

In addition to the aforementioned delimiters, it is also possible to use

bracket style delimiters where the opening and closing brackets are the

starting and ending delimiter, respectively.

<informalexample>

<programlisting>

</programlisting>

</informalexample>

</para>

<para>

You may add <link linkend="reference.pcre.pattern.modifiers">pattern

modifiers</link> after the ending delimiter. The following is an example

of case-insensitive matching:

<informalexample>

<programlisting>

</programlisting>

</informalexample>

</para>

</section>

<section xml:id="regexp.reference.meta">

<title>Meta-caratteri</title>

<para>

La potenza delle espressioni regolari deriva dalla

possibilità di inserire criteri alternativi oppure

ripetuti. Questi sono codificati nel criterio di

ricerca tramite l'uso di <emphasis>meta-caratteri</emphasis>,

lettere che non indicano se stesse, ma sono interpretate in modo particolare.

</para>

<para>

Esistono due differenti set di meta-caratteri: quelli che

sono riconosciuti ovunque tranne che all'interno di parentesi

quadrate, e quelli che sono riconosciuti all'interno di parentesi quadrate.

I meta-caratteri che si usano all'esterno delle parentesi quadrate sono:

<variablelist>

<varlistentry>

<term><emphasis>\</emphasis></term>

<listitem><simpara>carattere di escape generico con diversi utilizzi</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>^</emphasis></term>

<listitem><simpara>indica l'inizio del testo (o della linea in modalità multi-linea)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>$</emphasis></term>

<listitem><simpara>indica la fine del testo (o della linea in modalità multi-linea)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>.</emphasis></term>

<listitem><simpara>indica qualsiasi carattere tranne "a capo" (per default)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>[</emphasis></term>

<listitem><simpara>carattere di inizio della definizione di classe</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>]</emphasis></term>

<listitem><simpara>carattere di fine della definizione di classe</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>|</emphasis></term>

<listitem><simpara>inizio di un ramo alternativo</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>(</emphasis></term>

<listitem><simpara>inizio di un criterio di riconoscimento parziale</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>)</emphasis></term>

<listitem><simpara>fine del criterio di riconoscimento parziale</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>?</emphasis></term>

<listitem>

<simpara>

estende il significato di (, oppure 0 o 1 occorrenza, oppure occorrenza minima

(vedere <link linkend="regexp.reference.repetition">ripetizione</link>)

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>*</emphasis></term>

<listitem><simpara>0 o più occorrenze</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>+</emphasis></term>

<listitem><simpara>1 o più occorrenze</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>{</emphasis></term>

<listitem><simpara>inizia l'intervallo minimo/massimo di occorrenze</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>}</emphasis></term>

<listitem><simpara>termina l'intervallo minimo/massimo di occorrenze</simpara></listitem>

</varlistentry>

</variablelist>

La parte del criterio che si trova tra parentesi quadrate

viene detta "classe di caratteri". In una classe di caratteri

i meta-caratteri previsti sono:

<variablelist>

<varlistentry>

<term><emphasis>\</emphasis></term>

<listitem><simpara>carattere di escape generico con diversi utilizzi</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>^</emphasis></term>

<listitem><simpara>nega la classe, ma solo se posto all'inizio</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>-</emphasis></term>

<listitem><simpara>indica un intervallo</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>]</emphasis></term>

<listitem><simpara>chiude la classe di caratteri</simpara></listitem>

</varlistentry>

</variablelist>

Le sezioni seguenti descriveranno l'uso di ciascuno dei

meta-caratteri.

</para>

</section>

<section xml:id="regexp.reference.escape">

<title>Sequenze di escape</title>

<para>

Il carattere backslash (\) ha diversi utilizzi. Primo uso: se

viene anteposto a caratteri non alfanumerici, rimuove gli

eventuali significati speciali che il carattere può avere. Questo utilizzo

di backslash come carattere di escape può essere svolto sia all'interno delle

classi di caratteri, sia all'esterno.

</para>

<para>

Ad esempio, un criterio che deve riconoscere il carattere "*"

conterrà "\*". Ciò si applica indipendentemente dal

carattere seguente, sia esso interpretabile come meta-carattere

o meno. Nel caso in cui un carattere non alfanumerico debba

identificare se stesso è opportuno farlo precedere dal "\".

In particolare per identificare un backslash occorre scrivere "\\".

</para>

<note>

<para>

Le <link linkend="language.types.string.syntax">stringhe</link> PHP

a singolo o doppio apice hanno un significato

speciale del backslash. Quindi, se \ deve essere cercato con un'espressione

regolare \\, nel codice PHP deve essere usato "\\\\" oppure '\\\\'.

</para>

</note>

<para>

Se nel criterio di riconoscimento si specifica l'opzione

<link linkend="reference.pcre.pattern.modifiers">PCRE_EXTENDED</link>,

lo spazio bianco (diversamente da quando si trova all'interno di una classe

di caratteri), e i caratteri posti tra "#" e un "a capo" all'esterno di una

classe di caratteri sono ignorati. Un backslash può essere usato come escape per inserire uno

spazio bianco od il carattere "#" come parte del criterio di riconoscimento.

</para>

<para>

Un secondo utilizzo del backslash consiste nel codificare in

modo visibile dei caratteri non visibili. Non ci sono restrizioni

nella presenza di caratteri non-stampabili, a parte lo zero

binario terminante la stringa dell'espressione regolare.

Di seguito saranno elencate le sequenze di caratteri che

è preferibile utilizzare per la loro semplicità al posto

delle corrispondenti codifiche binarie.

</para>

<para>

<variablelist>

<varlistentry>

<term><emphasis>\a</emphasis></term>

<listitem>

<simpara>allarme, il carattere BEL (hex 07)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\cx</emphasis></term>

<listitem>

<simpara>"control-x", dove x è un qualsiasi carattere</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\e</emphasis></term>

<listitem>

<simpara>escape (hex 1B)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\f</emphasis></term>

<listitem>

<simpara>salto pagina (hex 0C)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\n</emphasis></term>

<listitem>

<simpara>"a capo" (newline) (hex 0A)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\p{xx}</emphasis></term>

<listitem>

<simpara>

un carattere con la proprietà xx, vedere

<link linkend="regexp.reference.unicode">proprietà unicode</link>

per maggiori informazioni

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\P{xx}</emphasis></term>

<listitem>

<simpara>

un carattere senza la proprietà xx, vedere

<link linkend="regexp.reference.unicode">proprietà unicode</link>

per maggiori informazioni

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\r</emphasis></term>

<listitem>

<simpara>carriage return (hex 0D)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\t</emphasis></term>

<listitem>

<simpara>tabulazione (hex 09)</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\xhh</emphasis></term>

<listitem>

<simpara>

carattere il cui codice esadecimale è hh

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\ddd</emphasis></term>

<listitem>

<simpara>carattere il cui codice ottale è ddd, oppure riferimento all'indietro</simpara>

</listitem>

</varlistentry>

</variablelist>

</para>

<para>

Il preciso effetto di "<literal>\cx</literal>" è il seguente:

se "<literal>x</literal>" è una lettera minuscola, viene convertita

in lettera maiuscola. In pratica viene invertito il sesto bit (hex 40)

del carattere. Quindi "<literal>\cz</literal>" diventa hex 1A, ma

"<literal>\c{</literal>" diventa hex 3B, mentre "<literal>\c;</literal>"

diventa hex 7B.

</para>

<para>

Dopo la sequenza "<literal>\x</literal>", saranno letti due

numeri esadecimali (per le lettere non si distingue tra maiuscolo e minuscolo).

In <emphasis>modalità UTF-8</emphasis>, "<literal>\x{...}</literal>" è

permesso, quando il contenuto delle parentesi graffe è una stringa di

cifre esadecimali. È interpretato come un carattere UTF-8 il cui numero di codice è

la cifra esadecimale specificata. La sequenza originale esadecimale di escape,

<literal>\xhh</literal>, cerca un carattere UTF-8 a due byte se il valore

è maggiore di 127.

</para>

<para>

Dopo la sequenza "<literal>\0</literal>" saranno lette due cifre in ottale.

In entrambi i casi se vi sono meno di due cifre, saranno usati i

numeri presenti. Pertanto la sequenza "<literal>\0\x\07</literal>"

indica 2 zeri binari seguiti dal carattere BEL. Occorre accertarsi

di passare le cifre necessarie dopo lo zero iniziale se il carattere

che segue può essere scambiato per una cifra in ottale.

</para>

<para>

Più complicata è la gestione del backslash seguito da una cifra

diversa da 0. Al di fuori di una classe di caratteri, PCRE

tratta le cifre che trova come numeri decimali. Se il numero

è inferiore a 10, oppure vi sono state almeno altrettante

parentesi sinistre, la sequenza viene considerata come un

<emphasis>riferimento</emphasis> <emphasis>all'indietro</emphasis>.

Più avanti, nella parte dei criteri parziali, sarà descritto come

funzionano questi riferimenti.

</para>

<para>

All'interno di una classe di caratteri, oppure nel caso in cui il numero decimale

è maggiore di 9 e non ci sono stati altrettanti criteri parziali,

PCRE rilegge le prime 3 cifre seguenti il backslash in ottale

e genera il carattere dagli 8 bit meno significativi del valore

ottenuto. Ogni altra cifra seguente indica se stessa.

Ad esempio:

</para>

<para>

<variablelist>

<varlistentry>

<term><emphasis>\040</emphasis></term>

<listitem><simpara>è un'altro modo per indicare uno spazio</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\40</emphasis></term>

<listitem>

<simpara>

ha il medesimo significato dell'esempio precedente che

non vi sono 40 sotto-criteri

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\7</emphasis></term>

<listitem><simpara>è sempre un riferimento all'indietro</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\11</emphasis></term>

<listitem>

<simpara>

può essere un riferimento all'indietro o un'altro modo

per indicare il carattere di tabulazione

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\011</emphasis></term>

<listitem><simpara>è ancora il carattere di tabulazione</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\0113</emphasis></term>

<listitem><simpara>il carattere di tabulazione seguito da "3"</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\113</emphasis></term>

<listitem>

<simpara>

è il carattere con il codice ottale 113 (poiché non

ci possono essere più di 99 riferimenti all'indietro)

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\377</emphasis></term>

<listitem><simpara>è un byte con tutti i bit a 1</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\81</emphasis></term>

<listitem>

<simpara>

può essere un riferimento all'indietro o

uno zero binario seguito da "8" e da "1"

</simpara>

</listitem>

</varlistentry>

</variablelist>

</para>

<para>

Occorre rilevare che valori ottali maggiori di 100 non devono

essere preceduti dallo zero, questo perché la libreria considera

solo tre cifre.

</para>

<para>

Tutte le sequenze che definiscono il valore di un singolo byte possono essere

utilizzate sia all'interno sia all'esterno delle classe di caratteri. Inoltre,

all'interno delle classi di caratteri, la sequenza "<literal>\b</literal>"

viene interpretata come carattere di backspace (hex 08), mentre all'esterno ha

un altro significato (come descritto più avanti).

</para>

<para>

Il terzo utilizzo possibile per il backslash consiste nello

specificare il tipo di carattere:

</para>

<para>

<variablelist>

<varlistentry>

<term><emphasis>\d</emphasis></term>

<listitem><simpara>qualsiasi cifra decimale</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\D</emphasis></term>

<listitem><simpara>qualsiasi carattere che non sia una cifra decimale</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\h</emphasis></term>

<listitem><simpara>qualsiasi carattere identificato come spazio bianco orizzontale (da PHP 5.2.4)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\H</emphasis></term>

<listitem><simpara>qualsiasi carattere che non sia identificato come spazio bianco orizzontale (da PHP 5.2.4)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\s</emphasis></term>

<listitem><simpara>qualsiasi carattere identificato come spazio bianco</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\S</emphasis></term>

<listitem><simpara>qualsiasi carattere che non sia identificato come spazio bianco</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\v</emphasis></term>

<listitem><simpara>qualsiasi carattere identificato come spazio bianco verticale (da PHP 5.2.4)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\V</emphasis></term>

<listitem><simpara>qualsiasi carattere che non sia identificato come spazio bianco verticale (da PHP 5.2.4)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\w</emphasis></term>

<listitem><simpara>qualsiasi carattere che sia una "parola" (word)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\W</emphasis></term>

<listitem><simpara>qualsiasi carattere che non sia una "parola" (word)</simpara></listitem>

</varlistentry>

</variablelist>

</para>

<para>

Ciascuna coppia di sequenze di escape suddivide il set

completo dei caratteri in due insiemi disgiunti. Un dato carattere

deve essere identificato da un solo insieme di ciascuna coppia.

</para>

<para>

I caratteri definiti "parole" sono quelle lettere o cifre o il carattere

underscore (_), cioè qualsiasi carattere che possa essere parte di una

"<literal>parola</literal>" in Perl. In PCRE le definizioni di lettere e cifre vengono

gestite tramite le tabelle dei caratteri, che possono variare in base a specifici parametri

di localizzazione. Ad esempio, nella localizzazione fr (relativa alla Francia), qualche

codice carattere maggiore di 128 è utilizzato per le lettere

accentate, e queste sono identificate tramite la sequenza <literal>\w</literal>.

</para>

<para>

Queste sequenze di tipi di caratteri possono apparire sia all'interno sia all'esterno delle

classi di caratteri. Ciascuna di esse identifica un carattere del tipo appropriato.

Se durante la fase di identificazione di un testo, si giunge al termine della stringa in cui

si esegue il riconoscimento e si hanno ancora di queste sequenze da incrociare, l'operazione

di identificazione fallirà perché, ovviamente, non vi sono più caratteri in cui riconoscere le suddette sequenze.

</para>

<para>

Il quarto utilizzo per il backslash riguarda la costruzione

di particolari asserzioni. L'asserzione è una condizione che deve essere soddisfatta

ad un certo punto del riconoscimento, senza "consumare" caratteri dalla stringa oggetto del

riconoscimento. Più avanti verranno descritte asserzioni più complicate, costruite tramite

l'uso di sotto-criteri di riconoscimento, per ora saranno illustrate delle semplici

asserzioni costruite con il backslash:

</para>

<para>

<variablelist>

<varlistentry>

<term><emphasis>\b</emphasis></term>

<listitem><simpara>limite di una parola</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\B</emphasis></term>

<listitem><simpara>non limite di una parola</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\A</emphasis></term>

<listitem><simpara>inizio dell'oggetto di ricerca (a prescindere dalla modalità multi-linea)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\Z</emphasis></term>

<listitem>

<simpara>

fine dell'oggetto di ricerca oppure newline alla fine (a prescindere dalla

modalità multi-linea)

</simpara>

</listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\z</emphasis></term>

<listitem><simpara>fine dell'oggetto di ricerca (a prescindere dalla modalità multi-linea)</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\G</emphasis></term>

<listitem><simpara>prima posizione trovata nell'oggetto</simpara></listitem>

</varlistentry>

</variablelist>

</para>

<para>

Queste asserzioni non possono apparire all'interno di una

classe di caratteri (attenzione che la sequenza "<literal>\b</literal>"

all'interno di una classe di caratteri indica il carattere backspace).

</para>

<para>

Viene definito limite di una parola la posizione nella stringa oggetto della ricerca, nella quale

il carattere corrente ed il carattere precedente non soddisfano la

sequenza <literal>\w</literal> o la sequenza <literal>\W</literal> (ad esempio uno soddisfa la sequenza

<literal>\w</literal> e l'altro carattere soddisfa la sequenza

<literal>\W</literal>), oppure quella posizione, all'inizio o alla fine della stringa, nella quale rispettivamente

il primo o l'ultimo carattere soddisfa la sequenza <literal>\w</literal>.

</para>

<para>

Le asserzioni <literal>\A</literal>, <literal>\Z</literal> e <literal>\z</literal>

differiscono dai tradizionali caratteri "^" e "$" (descritti

di seguito) per il fatto di identificare sempre l'inizio o la

fine della stringa oggetto di ricerca a prescindere da quale

opzione sia stata attivata. Infatti queste asserzioni non sono

alterate da <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>

oppure da <link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>.

La differenza tra <literal>\Z</literal> e <literal>\z</literal>

consiste nel fatto che <literal>\Z</literal> identifica sia il carattere

precedente il newline posto al termine della stringa sia la fine della

stringa, mentre <literal>\z</literal> identifica solo la fine.

</para>

<para>

The <literal>\G</literal> assertion is true only when the current

matching position is at the start point of the match, as specified by

the <parameter>offset</parameter> argument of

<function>preg_match</function>. It differs from <literal>\A</literal>

when the value of <parameter>offset</parameter> is non-zero.

</para>

<para>

<literal>\Q</literal> and <literal>\E</literal> can be used to ignore

regexp metacharacters in the pattern. For example:

<literal>\w+\Q.$.\E$</literal> will match one or more word characters,

followed by literals <literal>.$.</literal> and anchored at the end of

the string.

</para>

<para>

<literal>\K</literal> can be used to reset the match start since

PHP 5.2.4. For example, the pattern <literal>foo\Kbar</literal> matches

"foobar", but reports that it has matched "bar". The use of

<literal>\K</literal> does not interfere with the setting of captured

substrings. For example, when the pattern <literal>(foo)\Kbar</literal>

matches "foobar", the first substring is still set to "foo".

</para>

</section>

<section xml:id="regexp.reference.unicode">

<title>Unicode character properties</title>

<para>

Since 5.1.0, three

additional escape sequences to match generic character types are available

when <emphasis>UTF-8 mode</emphasis> is selected. They are:

</para>

<variablelist>

<varlistentry>

<term><emphasis>\p{xx}</emphasis></term>

<listitem><simpara>a character with the xx property</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\P{xx}</emphasis></term>

<listitem><simpara>a character without the xx property</simpara></listitem>

</varlistentry>

<varlistentry>

<term><emphasis>\X</emphasis></term>

<listitem><simpara>an extended Unicode sequence</simpara></listitem>

</varlistentry>

</variablelist>

<para>

The property names represented by <literal>xx</literal> above are limited

to the Unicode general category properties. Each character has exactly one

such property, specified by a two-letter abbreviation. For compatibility with

Perl, negation can be specified by including a circumflex between the

opening brace and the property name. For example, <literal>\p{^Lu}</literal>

is the same as <literal>\P{Lu}</literal>.

</para>

<para>

If only one letter is specified with <literal>\p</literal> or

<literal>\P</literal>, it includes all the properties that start with that

letter. In this case, in the absence of negation, the curly brackets in the

escape sequence are optional; these two examples have the same effect:

</para>

<informalexample>

<programlisting>

</programlisting>

</informalexample>

<table>

<title>Supported property codes</title>

<tgroup cols="3">

<thead>

<row>

<entry>Property</entry>

<entry>Matches</entry>

<entry>Notes</entry>

</row>

</thead>

<tbody>

<row>

<entry><literal>C</literal></entry>

<entry>Other</entry>

<entry></entry>

</row>

<row>

<entry><literal>Cc</literal></entry>

<entry>Control</entry>

<entry></entry>

</row>

<row>

<entry><literal>Cf</literal></entry>

<entry>Format</entry>

<entry></entry>

</row>

<row>

<entry><literal>Cn</literal></entry>

<entry>Unassigned</entry>

<entry></entry>

</row>

<row>

<entry><literal>Co</literal></entry>

<entry>Private use</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>Cs</literal></entry>

<entry>Surrogate</entry>

<entry></entry>

</row>

<row>

<entry><literal>L</literal></entry>

<entry>Letter</entry>

<entry>

Includes the following properties: <literal>Ll</literal>,

<literal>Lm</literal>, <literal>Lo</literal>, <literal>Lt</literal> and

<literal>Lu</literal>.

</entry>

</row>

<row>

<entry><literal>Ll</literal></entry>

<entry>Lower case letter</entry>

<entry></entry>

</row>

<row>

<entry><literal>Lm</literal></entry>

<entry>Modifier letter</entry>

<entry></entry>

</row>

<row>

<entry><literal>Lo</literal></entry>

<entry>Other letter</entry>

<entry></entry>

</row>

<row>

<entry><literal>Lt</literal></entry>

<entry>Title case letter</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>Lu</literal></entry>

<entry>Upper case letter</entry>

<entry></entry>

</row>

<row>

<entry><literal>M</literal></entry>

<entry>Mark</entry>

<entry></entry>

</row>

<row>

<entry><literal>Mc</literal></entry>

<entry>Spacing mark</entry>

<entry></entry>

</row>

<row>

<entry><literal>Me</literal></entry>

<entry>Enclosing mark</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>Mn</literal></entry>

<entry>Non-spacing mark</entry>

<entry></entry>

</row>

<row>

<entry><literal>N</literal></entry>

<entry>Number</entry>

<entry></entry>

</row>

<row>

<entry><literal>Nd</literal></entry>

<entry>Decimal number</entry>

<entry></entry>

</row>

<row>

<entry><literal>Nl</literal></entry>

<entry>Letter number</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>No</literal></entry>

<entry>Other number</entry>

<entry></entry>

</row>

<row>

<entry><literal>P</literal></entry>

<entry>Punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Pc</literal></entry>

<entry>Connector punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Pd</literal></entry>

<entry>Dash punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Pe</literal></entry>

<entry>Close punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Pf</literal></entry>

<entry>Final punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Pi</literal></entry>

<entry>Initial punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>Po</literal></entry>

<entry>Other punctuation</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>Ps</literal></entry>

<entry>Open punctuation</entry>

<entry></entry>

</row>

<row>

<entry><literal>S</literal></entry>

<entry>Symbol</entry>

<entry></entry>

</row>

<row>

<entry><literal>Sc</literal></entry>

<entry>Currency symbol</entry>

<entry></entry>

</row>

<row>

<entry><literal>Sk</literal></entry>

<entry>Modifier symbol</entry>

<entry></entry>

</row>

<row>

<entry><literal>Sm</literal></entry>

<entry>Mathematical symbol</entry>

<entry></entry>

</row>

<row rowsep="1">

<entry><literal>So</literal></entry>

<entry>Other symbol</entry>

<entry></entry>

</row>

<row>

<entry><literal>Z</literal></entry>

<entry>Separator</entry>

<entry></entry>

</row>

<row>

<entry><literal>Zl</literal></entry>

<entry>Line separator</entry>

<entry></entry>

</row>

<row>

<entry><literal>Zp</literal></entry>

<entry>Paragraph separator</entry>

<entry></entry>

</row>

<row>

<entry><literal>Zs</literal></entry>

<entry>Space separator</entry>

<entry></entry>

</row>

</tbody>

</tgroup>

</table>

<para>

Extended properties such as "Greek" or "InMusicalSymbols" are not

supported by PCRE.

</para>

<para>

Specifying case-insensitive (caseless) matching does not affect these escape sequences.

For example, <literal>\p{Lu}</literal> always matches only upper case letters.

</para>

<para>

The <literal>\X</literal> escape matches any number of Unicode characters

that form an extended Unicode sequence. <literal>\X</literal> is equivalent

to <literal>(?>\PM\pM*)</literal>.

</para>

<para>

That is, it matches a character without the "mark" property, followed

by zero or more characters with the "mark" property, and treats the

sequence as an atomic group (see below). Characters with the "mark"

property are typically accents that affect the preceding character.

</para>

<para>

Matching characters by Unicode property is not fast, because PCRE has

to search a structure that contains data for over fifteen thousand

characters. That is why the traditional escape sequences such as

<literal>\d</literal> and <literal>\w</literal> do not use Unicode properties

in PCRE.

</para>

</section>

<section xml:id="regexp.reference.anchors">

<title>I caratteri "^" e "$"</title>

<para>

In condizioni normali, il carattere "^", posto all'esterno di una classe di

caratteri, indica un asserzione che è vera soltanto se il punto da cui si inizia

a identificare il testo si trova all'inizio della stringa oggetto della ricerca.

Al contrario, se il carattere "^" si trova all'interno di una classe di

caratteri, assume altri significati (vedere i capitoli seguenti).

</para>

<para>

Non è necessario che il carattere "^" sia la prima lettera

del criterio di riconoscimento nei casi in cui si utilizzino dei criteri di

riconoscimento alternativi. Tuttavia è necessario che sia la prima lettera

nei rami alternativi in cui compare. Se si inserisce il carattere "^"

in tutte le alternative, caso che ricorre quando si vuole riconoscere un testo a partire

dall'inizio della stringa, si dice che si è costruito un criterio

di ricerca "ancorato". (Esistono anche altre costruzioni che

portano all'ancoraggio di un criterio di ricerca).

</para>

<para>

Il carattere dollaro "$" è una asserzione che è &true; soltanto se il punto a cui

si è arrivati ad identificare il testo si trova alla fine della stringa oggetto

della ricerca, o nella lettera immediatamente precedente il carattere di "a capo",

che (per default) è l'ultimo carattere del testo. Il dollaro "$" non deve essere

necessariamente l'ultima lettera di un criterio di riconoscimento se in questo si

sono utilizzati dei criteri alternativi. Deve, comunque, essere l'ultima lettera

nei criteri ove compare. Il carattere dollaro "$" non ha significati speciali

all'interno di una classe di caratteri.

</para>

<para>

Il comportamento del simbolo "$" può essere variato in modo

da identificare la reale fine della stringa oggetto di ricerca attivando il flag

<link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>

durante la compilazione o durante la fase di riconoscimento. Ciò non influisce sull'asserzione \Z.

</para>

<para>

Il comportamento dei simboli "^" e "$" può essere influenzato

dall'opzione <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>. Quando viene

attivata, questi caratteri identificano rispettivamente,

oltre ai tradizionali inizio e fine testo, la lettera immediatamente

successiva ed immediatamente precedente il carattere "\n" presente

all'interno della stringa oggetto di ricerca. Per esempio il

criterio /^abc$/ riconosce il testo "def\nabc" solo in modalità

multi-linea. Di conseguenza i criteri di riconoscimento che

sono "ancorati" in modalità singola linea, non lo sono in modalità

multi-linea. L'opzione

<link linkend="reference.pcre.pattern.modifiers">PCRE_DOLLAR_ENDONLY</link>

viene ignorata se si attiva il flag

<link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>

.

</para>

<para>

Occorre rilevare che le sequenze \A, \Z e \z possono essere utilizzate per riconoscere

l'inizio e la fine del testo in entrambe le modalità, e, se tutti i criteri alternativi

iniziano con \A, si ha ancora un criterio "ancorato" a prescindere che sia attivata

o meno l'opzione <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>

.

</para>

</section>

<section xml:id="regexp.reference.dot">

<title>Punto</title>

<para>

Il carattere punto ".", all'esterno di una classe di caratteri,

identifica qualsiasi carattere, anche quelli non stampabili,

ma (per default) non il carattere "a capo". Invece se si

abilita l'opzione <link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>

si avrà anche il riconoscimento del carattere "a capo".

La gestione del simbolo "." è svincolata dalla gestione dei

simboli "^" ed "$", l'unica relazione che possono avere riguarda

il carattere "a capo". Il punto "." non ha significati speciali

all'interno delle classi di caratteri.

</para>

<para>

<emphasis>\C</emphasis> can be used to match single byte. It makes sense

in <emphasis>UTF-8 mode</emphasis> where full stop matches the whole

character which can consist of multiple bytes.

</para>

</section>

<section xml:id="regexp.reference.character-classes">

<title>Classi di caratteri</title>

<para>

Un parentesi quadrata aperta "[" inizia una classe di caratteri; una parentesi quadrata

chiusa "]" termina la definizione della classe. Di suo il carattere di parentesi

quadrata chiusa non ha significati speciali. Se occorre inserire la parentesi

chiusa all'interno di una classe di caratteri, questa deve

essere la prima lettera (ovviamente deve seguire il carattere "^",

se presente) oppure deve essere preceduta dal carattere di escape "\".

</para>

<para>

Una classe di caratteri identifica un singolo carattere nella stringa

oggetto di ricerca; il carattere deve comparire nel set di caratteri definito

dalla classe, a meno che il primo carattere della classe non sia l'accento

circonflesso "^", in tal caso il carattere non deve essere nel set definito

dalla classe. Se è richiesto l'inserimento del carattere "^" nel set definito

dalla classe, questo non deve essere la prima lettera dopo la parentesi di

apertura, oppure deve essere preceduto dal carattere di escape (\).

</para>

<para>

Ad esempio, la classe [aeiou] identifica ogni vocale minuscola,

mentre [^aeiou] identifica tutti i caratteri che non siano

delle vocali minuscole. Occorre notare che il simbolo "^" è

un modo pratico per indicare i caratteri che sono nella

classe, citando quelli che non lo sono. Questa non è una

asserzione: consuma un carattere della stringa oggetto

di ricerca e fallisce se ci si trova alla fine

del testo.

</para>

<para>

In un riconoscimento senza distinzione tra minuscole e maiuscole,

ogni lettera della classe identifica sia la versione maiuscola

sia la minuscola. Così, ad esempio, la classe [aeiou] identifica

sia "A" sia "a", e, in questo caso, [^aeiou] non identifica "A",

mentre con la distinzione delle maiuscole [^aeiou] identifica la lettera "A".

</para>

<para>

Il carattere di "a capo" (newline) non viene trattato in

modo speciale nelle classi di caratteri, indipendentemente

dalle opzioni <link linkend="reference.pcre.pattern.modifiers">PCRE_DOTALL</link>

o <link linkend="reference.pcre.pattern.modifiers">PCRE_MULTILINE</link>.

La classe [^a] riconosce sempre il carattere "a capo".

</para>

<para>

Il segno meno (-) può essere usato per definire un intervallo

all'interno della classe. Ad esempio, [d-m] identifica ogni

lettera compresa tra d ed m inclusi. Se occorre inserire il segno