-x should be C<-x>, reported by Gerben Wierda.
[p5sagit/p5-mst-13.2.git] / pod / perlfaq6.pod
1 =head1 NAME
2
3 perlfaq6 - Regexps ($Revision: 1.22 $, $Date: 1998/07/16 14:01:07 $)
4
5 =head1 DESCRIPTION
6
7 This section is surprisingly small because the rest of the FAQ is
8 littered with answers involving regular expressions.  For example,
9 decoding a URL and checking whether something is a number are handled
10 with regular expressions, but those answers are found elsewhere in
11 this document (in the section on Data and the Networking one on
12 networking, to be precise).
13
14 =head2 How can I hope to use regular expressions without creating illegible and unmaintainable code?
15
16 Three techniques can make regular expressions maintainable and
17 understandable.
18
19 =over 4
20
21 =item Comments Outside the Regexp
22
23 Describe what you're doing and how you're doing it, using normal Perl
24 comments.
25
26     # turn the line into the first word, a colon, and the
27     # number of characters on the rest of the line
28     s/^(\w+)(.*)/ lc($1) . ":" . length($2) /meg;
29
30 =item Comments Inside the Regexp
31
32 The C</x> modifier causes whitespace to be ignored in a regexp pattern
33 (except in a character class), and also allows you to use normal
34 comments there, too.  As you can imagine, whitespace and comments help
35 a lot.
36
37 C</x> lets you turn this:
38
39     s{<(?:[^>'"]*|".*?"|'.*?')+>}{}gs;
40
41 into this:
42
43     s{ <                    # opening angle bracket
44         (?:                 # Non-backreffing grouping paren
45              [^>'"] *       # 0 or more things that are neither > nor ' nor "
46                 |           #    or else
47              ".*?"          # a section between double quotes (stingy match)
48                 |           #    or else
49              '.*?'          # a section between single quotes (stingy match)
50         ) +                 #   all occurring one or more times
51        >                    # closing angle bracket
52     }{}gsx;                 # replace with nothing, i.e. delete
53
54 It's still not quite so clear as prose, but it is very useful for
55 describing the meaning of each part of the pattern.
56
57 =item Different Delimiters
58
59 While we normally think of patterns as being delimited with C</>
60 characters, they can be delimited by almost any character.  L<perlre>
61 describes this.  For example, the C<s///> above uses braces as
62 delimiters.  Selecting another delimiter can avoid quoting the
63 delimiter within the pattern:
64
65     s/\/usr\/local/\/usr\/share/g;      # bad delimiter choice
66     s#/usr/local#/usr/share#g;          # better
67
68 =back
69
70 =head2 I'm having trouble matching over more than one line.  What's wrong?
71
72 Either you don't have more than one line in the string you're looking at
73 (probably), or else you aren't using the correct modifier(s) on your
74 pattern (possibly).
75
76 There are many ways to get multiline data into a string.  If you want
77 it to happen automatically while reading input, you'll want to set $/
78 (probably to '' for paragraphs or C<undef> for the whole file) to
79 allow you to read more than one line at a time.
80
81 Read L<perlre> to help you decide which of C</s> and C</m> (or both)
82 you might want to use: C</s> allows dot to include newline, and C</m>
83 allows caret and dollar to match next to a newline, not just at the
84 end of the string.  You do need to make sure that you've actually
85 got a multiline string in there.
86
87 For example, this program detects duplicate words, even when they span
88 line breaks (but not paragraph ones).  For this example, we don't need
89 C</s> because we aren't using dot in a regular expression that we want
90 to cross line boundaries.  Neither do we need C</m> because we aren't
91 wanting caret or dollar to match at any point inside the record next
92 to newlines.  But it's imperative that $/ be set to something other
93 than the default, or else we won't actually ever have a multiline
94 record read in.
95
96     $/ = '';            # read in more whole paragraph, not just one line
97     while ( <> ) {
98         while ( /\b([\w'-]+)(\s+\1)+\b/gi ) {   # word starts alpha
99             print "Duplicate $1 at paragraph $.\n";
100         }
101     }
102
103 Here's code that finds sentences that begin with "From " (which would
104 be mangled by many mailers):
105
106     $/ = '';            # read in more whole paragraph, not just one line
107     while ( <> ) {
108         while ( /^From /gm ) { # /m makes ^ match next to \n
109             print "leading from in paragraph $.\n";
110         }
111     }
112
113 Here's code that finds everything between START and END in a paragraph:
114
115     undef $/;           # read in whole file, not just one line or paragraph
116     while ( <> ) {
117         while ( /START(.*?)END/sm ) { # /s makes . cross line boundaries
118             print "$1\n";
119         }
120     }
121
122 =head2 How can I pull out lines between two patterns that are themselves on different lines?
123
124 You can use Perl's somewhat exotic C<..> operator (documented in
125 L<perlop>):
126
127     perl -ne 'print if /START/ .. /END/' file1 file2 ...
128
129 If you wanted text and not lines, you would use
130
131     perl -0777 -pe 'print "$1\n" while /START(.*?)END/gs' file1 file2 ...
132
133 But if you want nested occurrences of C<START> through C<END>, you'll
134 run up against the problem described in the question in this section
135 on matching balanced text.
136
137 Here's another example of using C<..>:
138
139     while (<>) {
140         $in_header =   1  .. /^$/;
141         $in_body   = /^$/ .. eof();
142         # now choose between them
143     } continue {
144         reset if eof();         # fix $.
145     } 
146
147 =head2 I put a regular expression into $/ but it didn't work. What's wrong?
148
149 $/ must be a string, not a regular expression.  Awk has to be better
150 for something. :-)
151
152 Actually, you could do this if you don't mind reading the whole file
153 into memory:
154
155     undef $/;
156     @records = split /your_pattern/, <FH>;
157
158 The Net::Telnet module (available from CPAN) has the capability to
159 wait for a pattern in the input stream, or timeout if it doesn't
160 appear within a certain time.
161
162     ## Create a file with three lines.
163     open FH, ">file";
164     print FH "The first line\nThe second line\nThe third line\n";
165     close FH;
166
167     ## Get a read/write filehandle to it.
168     $fh = new FileHandle "+<file";
169
170     ## Attach it to a "stream" object.
171     use Net::Telnet;
172     $file = new Net::Telnet (-fhopen => $fh);
173
174     ## Search for the second line and print out the third.
175     $file->waitfor('/second line\n/');
176     print $file->getline;
177
178 =head2 How do I substitute case insensitively on the LHS, but preserving case on the RHS?
179
180 It depends on what you mean by "preserving case".  The following
181 script makes the substitution have the same case, letter by letter, as
182 the original.  If the substitution has more characters than the string
183 being substituted, the case of the last character is used for the rest
184 of the substitution.
185
186     # Original by Nathan Torkington, massaged by Jeffrey Friedl
187     #
188     sub preserve_case($$)
189     {
190         my ($old, $new) = @_;
191         my ($state) = 0; # 0 = no change; 1 = lc; 2 = uc
192         my ($i, $oldlen, $newlen, $c) = (0, length($old), length($new));
193         my ($len) = $oldlen < $newlen ? $oldlen : $newlen;
194
195         for ($i = 0; $i < $len; $i++) {
196             if ($c = substr($old, $i, 1), $c =~ /[\W\d_]/) {
197                 $state = 0;
198             } elsif (lc $c eq $c) {
199                 substr($new, $i, 1) = lc(substr($new, $i, 1));
200                 $state = 1;
201             } else {
202                 substr($new, $i, 1) = uc(substr($new, $i, 1));
203                 $state = 2;
204             }
205         }
206         # finish up with any remaining new (for when new is longer than old)
207         if ($newlen > $oldlen) {
208             if ($state == 1) {
209                 substr($new, $oldlen) = lc(substr($new, $oldlen));
210             } elsif ($state == 2) {
211                 substr($new, $oldlen) = uc(substr($new, $oldlen));
212             }
213         }
214         return $new;
215     }
216
217     $a = "this is a TEsT case";
218     $a =~ s/(test)/preserve_case($1, "success")/gie;
219     print "$a\n";
220
221 This prints:
222
223     this is a SUcCESS case
224
225 =head2 How can I make C<\w> match national character sets?
226
227 See L<perllocale>.
228
229 =head2 How can I match a locale-smart version of C</[a-zA-Z]/>?
230
231 One alphabetic character would be C</[^\W\d_]/>, no matter what locale
232 you're in.  Non-alphabetics would be C</[\W\d_]/> (assuming you don't
233 consider an underscore a letter).
234
235 =head2 How can I quote a variable to use in a regexp?
236
237 The Perl parser will expand $variable and @variable references in
238 regular expressions unless the delimiter is a single quote.  Remember,
239 too, that the right-hand side of a C<s///> substitution is considered
240 a double-quoted string (see L<perlop> for more details).  Remember
241 also that any regexp special characters will be acted on unless you
242 precede the substitution with \Q.  Here's an example:
243
244     $string = "to die?";
245     $lhs = "die?";
246     $rhs = "sleep no more";
247
248     $string =~ s/\Q$lhs/$rhs/;
249     # $string is now "to sleep no more"
250
251 Without the \Q, the regexp would also spuriously match "di".
252
253 =head2 What is C</o> really for?
254
255 Using a variable in a regular expression match forces a re-evaluation
256 (and perhaps recompilation) each time through.  The C</o> modifier
257 locks in the regexp the first time it's used.  This always happens in a
258 constant regular expression, and in fact, the pattern was compiled
259 into the internal format at the same time your entire program was.
260
261 Use of C</o> is irrelevant unless variable interpolation is used in
262 the pattern, and if so, the regexp engine will neither know nor care
263 whether the variables change after the pattern is evaluated the I<very
264 first> time.
265
266 C</o> is often used to gain an extra measure of efficiency by not
267 performing subsequent evaluations when you know it won't matter
268 (because you know the variables won't change), or more rarely, when
269 you don't want the regexp to notice if they do.
270
271 For example, here's a "paragrep" program:
272
273     $/ = '';  # paragraph mode
274     $pat = shift;
275     while (<>) {
276         print if /$pat/o;
277     }
278
279 =head2 How do I use a regular expression to strip C style comments from a file?
280
281 While this actually can be done, it's much harder than you'd think.
282 For example, this one-liner
283
284     perl -0777 -pe 's{/\*.*?\*/}{}gs' foo.c
285
286 will work in many but not all cases.  You see, it's too simple-minded for
287 certain kinds of C programs, in particular, those with what appear to be
288 comments in quoted strings.  For that, you'd need something like this,
289 created by Jeffrey Friedl:
290
291     $/ = undef;
292     $_ = <>;
293     s#/\*[^*]*\*+([^/*][^*]*\*+)*/|("(\\.|[^"\\])*"|'(\\.|[^'\\])*'|\n+|.[^/"'\\]*)#$2#g;
294     print;
295
296 This could, of course, be more legibly written with the C</x> modifier, adding
297 whitespace and comments.
298
299 =head2 Can I use Perl regular expressions to match balanced text?
300
301 Although Perl regular expressions are more powerful than "mathematical"
302 regular expressions, because they feature conveniences like backreferences
303 (C<\1> and its ilk), they still aren't powerful enough. You still need
304 to use non-regexp techniques to parse balanced text, such as the text
305 enclosed between matching parentheses or braces, for example.
306
307 An elaborate subroutine (for 7-bit ASCII only) to pull out balanced
308 and possibly nested single chars, like C<`> and C<'>, C<{> and C<}>,
309 or C<(> and C<)> can be found in
310 http://www.perl.com/CPAN/authors/id/TOMC/scripts/pull_quotes.gz .
311
312 The C::Scan module from CPAN contains such subs for internal usage,
313 but they are undocumented.
314
315 =head2 What does it mean that regexps are greedy?  How can I get around it?
316
317 Most people mean that greedy regexps match as much as they can.
318 Technically speaking, it's actually the quantifiers (C<?>, C<*>, C<+>,
319 C<{}>) that are greedy rather than the whole pattern; Perl prefers local
320 greed and immediate gratification to overall greed.  To get non-greedy
321 versions of the same quantifiers, use (C<??>, C<*?>, C<+?>, C<{}?>).
322
323 An example:
324
325         $s1 = $s2 = "I am very very cold";
326         $s1 =~ s/ve.*y //;      # I am cold
327         $s2 =~ s/ve.*?y //;     # I am very cold
328
329 Notice how the second substitution stopped matching as soon as it
330 encountered "y ".  The C<*?> quantifier effectively tells the regular
331 expression engine to find a match as quickly as possible and pass
332 control on to whatever is next in line, like you would if you were
333 playing hot potato.
334
335 =head2  How do I process each word on each line?
336
337 Use the split function:
338
339     while (<>) {
340         foreach $word ( split ) { 
341             # do something with $word here
342         } 
343     }
344
345 Note that this isn't really a word in the English sense; it's just
346 chunks of consecutive non-whitespace characters.
347
348 To work with only alphanumeric sequences, you might consider
349
350     while (<>) {
351         foreach $word (m/(\w+)/g) {
352             # do something with $word here
353         }
354     }
355
356 =head2 How can I print out a word-frequency or line-frequency summary?
357
358 To do this, you have to parse out each word in the input stream.  We'll
359 pretend that by word you mean chunk of alphabetics, hyphens, or
360 apostrophes, rather than the non-whitespace chunk idea of a word given
361 in the previous question:
362
363     while (<>) {
364         while ( /(\b[^\W_\d][\w'-]+\b)/g ) {   # misses "`sheep'"
365             $seen{$1}++;
366         }
367     }
368     while ( ($word, $count) = each %seen ) {
369         print "$count $word\n";
370     }
371
372 If you wanted to do the same thing for lines, you wouldn't need a
373 regular expression:
374
375     while (<>) { 
376         $seen{$_}++;
377     }
378     while ( ($line, $count) = each %seen ) {
379         print "$count $line";
380     }
381
382 If you want these output in a sorted order, see the section on Hashes.
383
384 =head2 How can I do approximate matching?
385
386 See the module String::Approx available from CPAN.
387
388 =head2 How do I efficiently match many regular expressions at once?
389
390 The following is super-inefficient:
391
392     while (<FH>) {
393         foreach $pat (@patterns) {
394             if ( /$pat/ ) {
395                 # do something
396             }
397         }
398     }
399
400 Instead, you either need to use one of the experimental Regexp extension
401 modules from CPAN (which might well be overkill for your purposes),
402 or else put together something like this, inspired from a routine
403 in Jeffrey Friedl's book:
404
405     sub _bm_build {
406         my $condition = shift;
407         my @regexp = @_;  # this MUST not be local(); need my()
408         my $expr = join $condition => map { "m/\$regexp[$_]/o" } (0..$#regexp);
409         my $match_func = eval "sub { $expr }";
410         die if $@;  # propagate $@; this shouldn't happen!
411         return $match_func;
412     }
413
414     sub bm_and { _bm_build('&&', @_) }
415     sub bm_or  { _bm_build('||', @_) }
416
417     $f1 = bm_and qw{
418             xterm
419             (?i)window
420     };
421
422     $f2 = bm_or qw{
423             \b[Ff]ree\b
424             \bBSD\B
425             (?i)sys(tem)?\s*[V5]\b
426     };
427
428     # feed me /etc/termcap, prolly
429     while ( <> ) {
430         print "1: $_" if &$f1;
431         print "2: $_" if &$f2;
432     }
433
434 =head2 Why don't word-boundary searches with C<\b> work for me?
435
436 Two common misconceptions are that C<\b> is a synonym for C<\s+>, and
437 that it's the edge between whitespace characters and non-whitespace
438 characters.  Neither is correct.  C<\b> is the place between a C<\w>
439 character and a C<\W> character (that is, C<\b> is the edge of a
440 "word").  It's a zero-width assertion, just like C<^>, C<$>, and all
441 the other anchors, so it doesn't consume any characters.  L<perlre>
442 describes the behaviour of all the regexp metacharacters.
443
444 Here are examples of the incorrect application of C<\b>, with fixes:
445
446     "two words" =~ /(\w+)\b(\w+)/;          # WRONG
447     "two words" =~ /(\w+)\s+(\w+)/;         # right
448
449     " =matchless= text" =~ /\b=(\w+)=\b/;   # WRONG
450     " =matchless= text" =~ /=(\w+)=/;       # right
451
452 Although they may not do what you thought they did, C<\b> and C<\B>
453 can still be quite useful.  For an example of the correct use of
454 C<\b>, see the example of matching duplicate words over multiple
455 lines.
456
457 An example of using C<\B> is the pattern C<\Bis\B>.  This will find
458 occurrences of "is" on the insides of words only, as in "thistle", but
459 not "this" or "island".
460
461 =head2 Why does using $&, $`, or $' slow my program down?
462
463 Because once Perl sees that you need one of these variables anywhere
464 in the program, it has to provide them on each and every pattern
465 match.  The same mechanism that handles these provides for the use of
466 $1, $2, etc., so you pay the same price for each regexp that contains
467 capturing parentheses. But if you never use $&, etc., in your script,
468 then regexps I<without> capturing parentheses won't be penalized. So
469 avoid $&, $', and $` if you can, but if you can't (and some algorithms
470 really appreciate them), once you've used them once, use them at will,
471 because you've already paid the price.
472
473 =head2 What good is C<\G> in a regular expression?
474
475 The notation C<\G> is used in a match or substitution in conjunction the
476 C</g> modifier (and ignored if there's no C</g>) to anchor the regular
477 expression to the point just past where the last match occurred, i.e. the
478 pos() point.
479
480 For example, suppose you had a line of text quoted in standard mail
481 and Usenet notation, (that is, with leading C<E<gt>> characters), and
482 you want change each leading C<E<gt>> into a corresponding C<:>.  You
483 could do so in this way:
484
485      s/^(>+)/':' x length($1)/gem;
486
487 Or, using C<\G>, the much simpler (and faster):
488
489     s/\G>/:/g;
490
491 A more sophisticated use might involve a tokenizer.  The following
492 lex-like example is courtesy of Jeffrey Friedl.  It did not work in
493 5.003 due to bugs in that release, but does work in 5.004 or better.
494 (Note the use of C</c>, which prevents a failed match with C</g> from
495 resetting the search position back to the beginning of the string.)
496
497     while (<>) {
498       chomp;
499       PARSER: {
500            m/ \G( \d+\b    )/gcx    && do { print "number: $1\n";  redo; };
501            m/ \G( \w+      )/gcx    && do { print "word:   $1\n";  redo; };
502            m/ \G( \s+      )/gcx    && do { print "space:  $1\n";  redo; };
503            m/ \G( [^\w\d]+ )/gcx    && do { print "other:  $1\n";  redo; };
504       }
505     }
506
507 Of course, that could have been written as
508
509     while (<>) {
510       chomp;
511       PARSER: {
512            if ( /\G( \d+\b    )/gcx  {
513                 print "number: $1\n";
514                 redo PARSER;
515            }
516            if ( /\G( \w+      )/gcx  {
517                 print "word: $1\n";
518                 redo PARSER;
519            }
520            if ( /\G( \s+      )/gcx  {
521                 print "space: $1\n";
522                 redo PARSER;
523            }
524            if ( /\G( [^\w\d]+ )/gcx  {
525                 print "other: $1\n";
526                 redo PARSER;
527            }
528       }
529     }
530
531 But then you lose the vertical alignment of the regular expressions.
532
533 =head2 Are Perl regexps DFAs or NFAs?  Are they POSIX compliant?
534
535 While it's true that Perl's regular expressions resemble the DFAs
536 (deterministic finite automata) of the egrep(1) program, they are in
537 fact implemented as NFAs (non-deterministic finite automata) to allow
538 backtracking and backreferencing.  And they aren't POSIX-style either,
539 because those guarantee worst-case behavior for all cases.  (It seems
540 that some people prefer guarantees of consistency, even when what's
541 guaranteed is slowness.)  See the book "Mastering Regular Expressions"
542 (from O'Reilly) by Jeffrey Friedl for all the details you could ever
543 hope to know on these matters (a full citation appears in
544 L<perlfaq2>).
545
546 =head2 What's wrong with using grep or map in a void context?
547
548 Both grep and map build a return list, regardless of their context.
549 This means you're making Perl go to the trouble of building up a
550 return list that you then just ignore.  That's no way to treat a
551 programming language, you insensitive scoundrel!
552
553 =head2 How can I match strings with multibyte characters?
554
555 This is hard, and there's no good way.  Perl does not directly support
556 wide characters.  It pretends that a byte and a character are
557 synonymous.  The following set of approaches was offered by Jeffrey
558 Friedl, whose article in issue #5 of The Perl Journal talks about this
559 very matter.
560
561 Let's suppose you have some weird Martian encoding where pairs of
562 ASCII uppercase letters encode single Martian letters (i.e. the two
563 bytes "CV" make a single Martian letter, as do the two bytes "SG",
564 "VS", "XX", etc.). Other bytes represent single characters, just like
565 ASCII.
566
567 So, the string of Martian "I am CVSGXX!" uses 12 bytes to encode the
568 nine characters 'I', ' ', 'a', 'm', ' ', 'CV', 'SG', 'XX', '!'.
569
570 Now, say you want to search for the single character C</GX/>. Perl
571 doesn't know about Martian, so it'll find the two bytes "GX" in the "I
572 am CVSGXX!"  string, even though that character isn't there: it just
573 looks like it is because "SG" is next to "XX", but there's no real
574 "GX".  This is a big problem.
575
576 Here are a few ways, all painful, to deal with it:
577
578    $martian =~ s/([A-Z][A-Z])/ $1 /g; # Make sure adjacent ``martian'' bytes
579                                       # are no longer adjacent.
580    print "found GX!\n" if $martian =~ /GX/;
581
582 Or like this:
583
584    @chars = $martian =~ m/([A-Z][A-Z]|[^A-Z])/g;
585    # above is conceptually similar to:     @chars = $text =~ m/(.)/g;
586    #
587    foreach $char (@chars) {
588        print "found GX!\n", last if $char eq 'GX';
589    }
590
591 Or like this:
592
593    while ($martian =~ m/\G([A-Z][A-Z]|.)/gs) {  # \G probably unneeded
594        print "found GX!\n", last if $1 eq 'GX';
595    }
596
597 Or like this:
598
599    die "sorry, Perl doesn't (yet) have Martian support )-:\n";
600
601 In addition, a sample program which converts half-width to full-width
602 katakana (in Shift-JIS or EUC encoding) is available from CPAN as
603
604 =for Tom make it so
605
606 There are many double- (and multi-) byte encodings commonly used these
607 days.  Some versions of these have 1-, 2-, 3-, and 4-byte characters,
608 all mixed.
609
610 =head1 AUTHOR AND COPYRIGHT
611
612 Copyright (c) 1997, 1998 Tom Christiansen and Nathan Torkington.
613 All rights reserved.
614
615 When included as part of the Standard Version of Perl, or as part of
616 its complete documentation whether printed or otherwise, this work
617 may be distributed only under the terms of Perl's Artistic License.
618 Any distribution of this file or derivatives thereof I<outside>
619 of that package require that special arrangements be made with
620 copyright holder.
621
622 Irrespective of its distribution, all code examples in this file
623 are hereby placed into the public domain.  You are permitted and
624 encouraged to use this code in your own programs for fun
625 or for profit as you see fit.  A simple comment in the code giving
626 credit would be courteous but is not required.