apply minimal variant of patch (sent via private mail)
[p5sagit/p5-mst-13.2.git] / pod / perlre.pod
1 =head1 NAME
2
3 perlre - Perl regular expressions
4
5 =head1 DESCRIPTION
6
7 This page describes the syntax of regular expressions in Perl.  For a
8 description of how to I<use> regular expressions in matching
9 operations, plus various examples of the same, see discussion
10 of C<m//>, C<s///>, C<qr//> and C<??> in L<perlop/"Regexp Quote-Like Operators">.
11
12 The matching operations can have various modifiers.  The modifiers
13 that relate to the interpretation of the regular expression inside
14 are listed below.  For the modifiers that alter the way a regular expression
15 is used by Perl, see L<perlop/"Regexp Quote-Like Operators"> and 
16 L<perlop/"Gory details of parsing quoted constructs">.
17
18 =over 4
19
20 =item i
21
22 Do case-insensitive pattern matching.
23
24 If C<use locale> is in effect, the case map is taken from the current
25 locale.  See L<perllocale>.
26
27 =item m
28
29 Treat string as multiple lines.  That is, change "^" and "$" from matching
30 at only the very start or end of the string to the start or end of any
31 line anywhere within the string,
32
33 =item s
34
35 Treat string as single line.  That is, change "." to match any character
36 whatsoever, even a newline, which it normally would not match.
37
38 The C</s> and C</m> modifiers both override the C<$*> setting.  That is, no matter
39 what C<$*> contains, C</s> without C</m> will force "^" to match only at the
40 beginning of the string and "$" to match only at the end (or just before a
41 newline at the end) of the string.  Together, as /ms, they let the "." match
42 any character whatsoever, while yet allowing "^" and "$" to match,
43 respectively, just after and just before newlines within the string.
44
45 =item x
46
47 Extend your pattern's legibility by permitting whitespace and comments.
48
49 =back
50
51 These are usually written as "the C</x> modifier", even though the delimiter
52 in question might not actually be a slash.  In fact, any of these
53 modifiers may also be embedded within the regular expression itself using
54 the new C<(?...)> construct.  See below.
55
56 The C</x> modifier itself needs a little more explanation.  It tells
57 the regular expression parser to ignore whitespace that is neither
58 backslashed nor within a character class.  You can use this to break up
59 your regular expression into (slightly) more readable parts.  The C<#>
60 character is also treated as a metacharacter introducing a comment,
61 just as in ordinary Perl code.  This also means that if you want real
62 whitespace or C<#> characters in the pattern (outside of a character
63 class, where they are unaffected by C</x>), that you'll either have to 
64 escape them or encode them using octal or hex escapes.  Taken together,
65 these features go a long way towards making Perl's regular expressions
66 more readable.  Note that you have to be careful not to include the
67 pattern delimiter in the comment--perl has no way of knowing you did
68 not intend to close the pattern early.  See the C-comment deletion code
69 in L<perlop>.
70
71 =head2 Regular Expressions
72
73 The patterns used in pattern matching are regular expressions such as
74 those supplied in the Version 8 regex routines.  (In fact, the
75 routines are derived (distantly) from Henry Spencer's freely
76 redistributable reimplementation of the V8 routines.)
77 See L<Version 8 Regular Expressions> for details.
78
79 In particular the following metacharacters have their standard I<egrep>-ish
80 meanings:
81
82     \   Quote the next metacharacter
83     ^   Match the beginning of the line
84     .   Match any character (except newline)
85     $   Match the end of the line (or before newline at the end)
86     |   Alternation
87     ()  Grouping
88     []  Character class
89
90 By default, the "^" character is guaranteed to match at only the
91 beginning of the string, the "$" character at only the end (or before the
92 newline at the end) and Perl does certain optimizations with the
93 assumption that the string contains only one line.  Embedded newlines
94 will not be matched by "^" or "$".  You may, however, wish to treat a
95 string as a multi-line buffer, such that the "^" will match after any
96 newline within the string, and "$" will match before any newline.  At the
97 cost of a little more overhead, you can do this by using the /m modifier
98 on the pattern match operator.  (Older programs did this by setting C<$*>,
99 but this practice is now deprecated.)
100
101 To facilitate multi-line substitutions, the "." character never matches a
102 newline unless you use the C</s> modifier, which in effect tells Perl to pretend
103 the string is a single line--even if it isn't.  The C</s> modifier also
104 overrides the setting of C<$*>, in case you have some (badly behaved) older
105 code that sets it in another module.
106
107 The following standard quantifiers are recognized:
108
109     *      Match 0 or more times
110     +      Match 1 or more times
111     ?      Match 1 or 0 times
112     {n}    Match exactly n times
113     {n,}   Match at least n times
114     {n,m}  Match at least n but not more than m times
115
116 (If a curly bracket occurs in any other context, it is treated
117 as a regular character.)  The "*" modifier is equivalent to C<{0,}>, the "+"
118 modifier to C<{1,}>, and the "?" modifier to C<{0,1}>.  n and m are limited
119 to integral values less than 65536.
120
121 By default, a quantified subpattern is "greedy", that is, it will match as
122 many times as possible (given a particular starting location) while still
123 allowing the rest of the pattern to match.  If you want it to match the
124 minimum number of times possible, follow the quantifier with a "?".  Note
125 that the meanings don't change, just the "greediness":
126
127     *?     Match 0 or more times
128     +?     Match 1 or more times
129     ??     Match 0 or 1 time
130     {n}?   Match exactly n times
131     {n,}?  Match at least n times
132     {n,m}? Match at least n but not more than m times
133
134 Because patterns are processed as double quoted strings, the following
135 also work:
136
137     \t          tab                   (HT, TAB)
138     \n          newline               (LF, NL)
139     \r          return                (CR)
140     \f          form feed             (FF)
141     \a          alarm (bell)          (BEL)
142     \e          escape (think troff)  (ESC)
143     \033        octal char (think of a PDP-11)
144     \x1B        hex char
145     \x{263a}    wide hex char         (Unicode SMILEY)
146     \c[         control char
147     \l          lowercase next char (think vi)
148     \u          uppercase next char (think vi)
149     \L          lowercase till \E (think vi)
150     \U          uppercase till \E (think vi)
151     \E          end case modification (think vi)
152     \Q          quote (disable) pattern metacharacters till \E
153
154 If C<use locale> is in effect, the case map used by C<\l>, C<\L>, C<\u>
155 and C<\U> is taken from the current locale.  See L<perllocale>.
156
157 You cannot include a literal C<$> or C<@> within a C<\Q> sequence.
158 An unescaped C<$> or C<@> interpolates the corresponding variable,
159 while escaping will cause the literal string C<\$> to be matched.
160 You'll need to write something like C<m/\Quser\E\@\Qhost/>.
161
162 In addition, Perl defines the following:
163
164     \w  Match a "word" character (alphanumeric plus "_")
165     \W  Match a non-word character
166     \s  Match a whitespace character
167     \S  Match a non-whitespace character
168     \d  Match a digit character
169     \D  Match a non-digit character
170     \pP Match P, named property.  Use \p{Prop} for longer names.
171     \PP Match non-P
172     \X  Match eXtended Unicode "combining character sequence", \pM\pm*
173     \C  Match a single C char (octet) even under utf8.
174
175 A C<\w> matches a single alphanumeric character, not a whole
176 word.  To match a word you'd need to say C<\w+>.  If C<use locale> is in
177 effect, the list of alphabetic characters generated by C<\w> is taken
178 from the current locale.  See L<perllocale>. You may use C<\w>, C<\W>,
179 C<\s>, C<\S>, C<\d>, and C<\D> within character classes (though not as
180 either end of a range).
181
182 Perl defines the following zero-width assertions:
183
184     \b  Match a word boundary
185     \B  Match a non-(word boundary)
186     \A  Match only at beginning of string
187     \Z  Match only at end of string, or before newline at the end
188     \z  Match only at end of string
189     \G  Match only where previous m//g left off (works only with /g)
190
191 A word boundary (C<\b>) is defined as a spot between two characters that
192 has a C<\w> on one side of it and a C<\W> on the other side of it (in
193 either order), counting the imaginary characters off the beginning and
194 end of the string as matching a C<\W>.  (Within character classes C<\b>
195 represents backspace rather than a word boundary.)  The C<\A> and C<\Z> are
196 just like "^" and "$", except that they won't match multiple times when the
197 C</m> modifier is used, while "^" and "$" will match at every internal line
198 boundary.  To match the actual end of the string, not ignoring newline,
199 you can use C<\z>.  The C<\G> assertion can be used to chain global
200 matches (using C<m//g>), as described in
201 L<perlop/"Regexp Quote-Like Operators">.
202
203 It is also useful when writing C<lex>-like scanners, when you have several
204 patterns that you want to match against consequent substrings of your
205 string, see the previous reference.
206 The actual location where C<\G> will match can also be influenced
207 by using C<pos()> as an lvalue.  See L<perlfunc/pos>.
208
209 When the bracketing construct C<( ... )> is used, \E<lt>digitE<gt> matches the
210 digit'th substring.  Outside of the pattern, always use "$" instead of "\"
211 in front of the digit.  (While the \E<lt>digitE<gt> notation can on rare occasion work
212 outside the current pattern, this should not be relied upon.  See the
213 WARNING below.) The scope of $E<lt>digitE<gt> (and C<$`>, C<$&>, and C<$'>)
214 extends to the end of the enclosing BLOCK or eval string, or to the next
215 successful pattern match, whichever comes first.  If you want to use
216 parentheses to delimit a subpattern (e.g., a set of alternatives) without
217 saving it as a subpattern, follow the ( with a ?:.
218
219 You may have as many parentheses as you wish.  If you have more
220 than 9 substrings, the variables $10, $11, ... refer to the
221 corresponding substring.  Within the pattern, \10, \11, etc. refer back
222 to substrings if there have been at least that many left parentheses before
223 the backreference.  Otherwise (for backward compatibility) \10 is the
224 same as \010, a backspace, and \11 the same as \011, a tab.  And so
225 on.  (\1 through \9 are always backreferences.)
226
227 C<$+> returns whatever the last bracket match matched.  C<$&> returns the
228 entire matched string.  (C<$0> used to return the same thing, but not any
229 more.)  C<$`> returns everything before the matched string.  C<$'> returns
230 everything after the matched string.  Examples:
231
232     s/^([^ ]*) *([^ ]*)/$2 $1/;     # swap first two words
233
234     if (/Time: (..):(..):(..)/) {
235         $hours = $1;
236         $minutes = $2;
237         $seconds = $3;
238     }
239
240 Once perl sees that you need one of C<$&>, C<$`> or C<$'> anywhere in
241 the program, it has to provide them on each and every pattern match.
242 This can slow your program down.  The same mechanism that handles
243 these provides for the use of $1, $2, etc., so you pay the same price
244 for each pattern that contains capturing parentheses. But if you never
245 use $&, etc., in your script, then patterns I<without> capturing
246 parentheses won't be penalized. So avoid $&, $', and $` if you can,
247 but if you can't (and some algorithms really appreciate them), once
248 you've used them once, use them at will, because you've already paid
249 the price.  As of 5.005, $& is not so costly as the other two.
250
251 Backslashed metacharacters in Perl are
252 alphanumeric, such as C<\b>, C<\w>, C<\n>.  Unlike some other regular
253 expression languages, there are no backslashed symbols that aren't
254 alphanumeric.  So anything that looks like \\, \(, \), \E<lt>, \E<gt>,
255 \{, or \} is always interpreted as a literal character, not a
256 metacharacter.  This was once used in a common idiom to disable or
257 quote the special meanings of regular expression metacharacters in a
258 string that you want to use for a pattern. Simply quote all
259 non-alphanumeric characters:
260
261     $pattern =~ s/(\W)/\\$1/g;
262
263 Now it is much more common to see either the quotemeta() function or
264 the C<\Q> escape sequence used to disable all metacharacters' special
265 meanings like this:
266
267     /$unquoted\Q$quoted\E$unquoted/
268
269 Perl defines a consistent extension syntax for regular expressions.
270 The syntax is a pair of parentheses with a question mark as the first
271 thing within the parentheses (this was a syntax error in older
272 versions of Perl).  The character after the question mark gives the
273 function of the extension.  Several extensions are already supported:
274
275 =over 10
276
277 =item C<(?#text)>
278
279 A comment.  The text is ignored.  If the C</x> switch is used to enable
280 whitespace formatting, a simple C<#> will suffice.  Note that perl closes
281 the comment as soon as it sees a C<)>, so there is no way to put a literal
282 C<)> in the comment.
283
284 =item C<(?:pattern)>
285
286 =item C<(?imsx-imsx:pattern)>
287
288 This is for clustering, not capturing; it groups subexpressions like
289 "()", but doesn't make backreferences as "()" does.  So
290
291     @fields = split(/\b(?:a|b|c)\b/)
292
293 is like
294
295     @fields = split(/\b(a|b|c)\b/)
296
297 but doesn't spit out extra fields.
298
299 The letters between C<?> and C<:> act as flags modifiers, see
300 L<C<(?imsx-imsx)>>.  In particular,
301
302     /(?s-i:more.*than).*million/i
303
304 is equivalent to more verbose
305
306     /(?:(?s-i)more.*than).*million/i
307
308 =item C<(?=pattern)>
309
310 A zero-width positive lookahead assertion.  For example, C</\w+(?=\t)/>
311 matches a word followed by a tab, without including the tab in C<$&>.
312
313 =item C<(?!pattern)>
314
315 A zero-width negative lookahead assertion.  For example C</foo(?!bar)/>
316 matches any occurrence of "foo" that isn't followed by "bar".  Note
317 however that lookahead and lookbehind are NOT the same thing.  You cannot
318 use this for lookbehind.
319
320 If you are looking for a "bar" that isn't preceded by a "foo", C</(?!foo)bar/>
321 will not do what you want.  That's because the C<(?!foo)> is just saying that
322 the next thing cannot be "foo"--and it's not, it's a "bar", so "foobar" will
323 match.  You would have to do something like C</(?!foo)...bar/> for that.   We
324 say "like" because there's the case of your "bar" not having three characters
325 before it.  You could cover that this way: C</(?:(?!foo)...|^.{0,2})bar/>.
326 Sometimes it's still easier just to say:
327
328     if (/bar/ && $` !~ /foo$/)
329
330 For lookbehind see below.
331
332 =item C<(?E<lt>=pattern)>
333
334 A zero-width positive lookbehind assertion.  For example, C</(?E<lt>=\t)\w+/>
335 matches a word following a tab, without including the tab in C<$&>.
336 Works only for fixed-width lookbehind.
337
338 =item C<(?<!pattern)>
339
340 A zero-width negative lookbehind assertion.  For example C</(?<!bar)foo/>
341 matches any occurrence of "foo" that isn't following "bar".  
342 Works only for fixed-width lookbehind.
343
344 =item C<(?{ code })>
345
346 Experimental "evaluate any Perl code" zero-width assertion.  Always
347 succeeds.  C<code> is not interpolated.  Currently the rules to
348 determine where the C<code> ends are somewhat convoluted.
349
350 The C<code> is properly scoped in the following sense: if the assertion
351 is backtracked (compare L<"Backtracking">), all the changes introduced after
352 C<local>isation are undone, so
353
354   $_ = 'a' x 8;
355   m< 
356      (?{ $cnt = 0 })                    # Initialize $cnt.
357      (
358        a 
359        (?{
360            local $cnt = $cnt + 1;       # Update $cnt, backtracking-safe.
361        })
362      )*  
363      aaaa
364      (?{ $res = $cnt })                 # On success copy to non-localized
365                                         # location.
366    >x;
367
368 will set C<$res = 4>.  Note that after the match $cnt returns to the globally
369 introduced value 0, since the scopes which restrict C<local> statements
370 are unwound.
371
372 This assertion may be used as L<C<(?(condition)yes-pattern|no-pattern)>>
373 switch.  If I<not> used in this way, the result of evaluation of C<code>
374 is put into variable $^R.  This happens immediately, so $^R can be used from
375 other C<(?{ code })> assertions inside the same regular expression.
376
377 The above assignment to $^R is properly localized, thus the old value of $^R
378 is restored if the assertion is backtracked (compare L<"Backtracking">).
379
380 Due to security concerns, this construction is not allowed if the regular
381 expression involves run-time interpolation of variables, unless 
382 C<use re 'eval'> pragma is used (see L<re>), or the variables contain
383 results of qr() operator (see L<perlop/"qr/STRING/imosx">).
384
385 This restriction is due to the wide-spread (questionable) practice of 
386 using the construct
387
388     $re = <>;
389     chomp $re;
390     $string =~ /$re/;
391
392 without tainting.  While this code is frowned upon from security point
393 of view, when C<(?{})> was introduced, it was considered bad to add 
394 I<new> security holes to existing scripts.
395
396 B<NOTE:>  Use of the above insecure snippet without also enabling taint mode
397 is to be severely frowned upon.  C<use re 'eval'> does not disable tainting
398 checks, thus to allow $re in the above snippet to contain C<(?{})>
399 I<with tainting enabled>, one needs both C<use re 'eval'> and untaint
400 the $re.
401
402 =item C<(?E<gt>pattern)>
403
404 An "independent" subexpression.  Matches the substring that a
405 I<standalone> C<pattern> would match if anchored at the given position,
406 B<and only this substring>.
407
408 Say, C<^(?E<gt>a*)ab> will never match, since C<(?E<gt>a*)> (anchored
409 at the beginning of string, as above) will match I<all> characters
410 C<a> at the beginning of string, leaving no C<a> for C<ab> to match.
411 In contrast, C<a*ab> will match the same as C<a+b>, since the match of
412 the subgroup C<a*> is influenced by the following group C<ab> (see
413 L<"Backtracking">).  In particular, C<a*> inside C<a*ab> will match
414 fewer characters than a standalone C<a*>, since this makes the tail match.
415
416 An effect similar to C<(?E<gt>pattern)> may be achieved by
417
418    (?=(pattern))\1
419
420 since the lookahead is in I<"logical"> context, thus matches the same
421 substring as a standalone C<a+>.  The following C<\1> eats the matched
422 string, thus making a zero-length assertion into an analogue of
423 C<(?E<gt>...)>.  (The difference between these two constructs is that the
424 second one uses a catching group, thus shifting ordinals of
425 backreferences in the rest of a regular expression.)
426
427 This construct is useful for optimizations of "eternal"
428 matches, because it will not backtrack (see L<"Backtracking">).  
429
430     m{ \(
431           ( 
432             [^()]+ 
433           | 
434             \( [^()]* \)
435           )+
436        \) 
437      }x
438
439 That will efficiently match a nonempty group with matching
440 two-or-less-level-deep parentheses.  However, if there is no such group,
441 it will take virtually forever on a long string.  That's because there are
442 so many different ways to split a long string into several substrings.
443 This is what C<(.+)+> is doing, and C<(.+)+> is similar to a subpattern
444 of the above pattern.  Consider that the above pattern detects no-match
445 on C<((()aaaaaaaaaaaaaaaaaa> in several seconds, but that  each extra
446 letter doubles this time.  This exponential performance will make it
447 appear that your program has hung.
448
449 However, a tiny modification of this pattern 
450
451     m{ \( 
452           ( 
453             (?> [^()]+ )
454           | 
455             \( [^()]* \)
456           )+
457        \) 
458      }x
459
460 which uses C<(?E<gt>...)> matches exactly when the one above does (verifying
461 this yourself would be a productive exercise), but finishes in a fourth
462 the time when used on a similar string with 1000000 C<a>s.  Be aware,
463 however, that this pattern currently triggers a warning message under
464 B<-w> saying it C<"matches the null string many times">):
465
466 On simple groups, such as the pattern C<(?> [^()]+ )>, a comparable
467 effect may be achieved by negative lookahead, as in C<[^()]+ (?! [^()] )>.
468 This was only 4 times slower on a string with 1000000 C<a>s.
469
470 =item C<(?(condition)yes-pattern|no-pattern)>
471
472 =item C<(?(condition)yes-pattern)>
473
474 Conditional expression.  C<(condition)> should be either an integer in
475 parentheses (which is valid if the corresponding pair of parentheses
476 matched), or lookahead/lookbehind/evaluate zero-width assertion.
477
478 Say,
479
480     m{ ( \( )? 
481        [^()]+ 
482        (?(1) \) ) 
483      }x
484
485 matches a chunk of non-parentheses, possibly included in parentheses
486 themselves.
487
488 =item C<(?imsx-imsx)>
489
490 One or more embedded pattern-match modifiers.  This is particularly
491 useful for patterns that are specified in a table somewhere, some of
492 which want to be case sensitive, and some of which don't.  The case
493 insensitive ones need to include merely C<(?i)> at the front of the
494 pattern.  For example:
495
496     $pattern = "foobar";
497     if ( /$pattern/i ) { } 
498
499     # more flexible:
500
501     $pattern = "(?i)foobar";
502     if ( /$pattern/ ) { } 
503
504 Letters after C<-> switch modifiers off.
505
506 These modifiers are localized inside an enclosing group (if any).  Say,
507
508     ( (?i) blah ) \s+ \1
509
510 (assuming C<x> modifier, and no C<i> modifier outside of this group)
511 will match a repeated (I<including the case>!) word C<blah> in any
512 case.
513
514 =back
515
516 A question mark was chosen for this and for the new minimal-matching
517 construct because 1) question mark is pretty rare in older regular
518 expressions, and 2) whenever you see one, you should stop and "question"
519 exactly what is going on.  That's psychology...
520
521 =head2 Backtracking
522
523 A fundamental feature of regular expression matching involves the
524 notion called I<backtracking>, which is currently used (when needed)
525 by all regular expression quantifiers, namely C<*>, C<*?>, C<+>,
526 C<+?>, C<{n,m}>, and C<{n,m}?>.
527
528 For a regular expression to match, the I<entire> regular expression must
529 match, not just part of it.  So if the beginning of a pattern containing a
530 quantifier succeeds in a way that causes later parts in the pattern to
531 fail, the matching engine backs up and recalculates the beginning
532 part--that's why it's called backtracking.
533
534 Here is an example of backtracking:  Let's say you want to find the
535 word following "foo" in the string "Food is on the foo table.":
536
537     $_ = "Food is on the foo table.";
538     if ( /\b(foo)\s+(\w+)/i ) {
539         print "$2 follows $1.\n";
540     }
541
542 When the match runs, the first part of the regular expression (C<\b(foo)>)
543 finds a possible match right at the beginning of the string, and loads up
544 $1 with "Foo".  However, as soon as the matching engine sees that there's
545 no whitespace following the "Foo" that it had saved in $1, it realizes its
546 mistake and starts over again one character after where it had the
547 tentative match.  This time it goes all the way until the next occurrence
548 of "foo". The complete regular expression matches this time, and you get
549 the expected output of "table follows foo."
550
551 Sometimes minimal matching can help a lot.  Imagine you'd like to match
552 everything between "foo" and "bar".  Initially, you write something
553 like this:
554
555     $_ =  "The food is under the bar in the barn.";
556     if ( /foo(.*)bar/ ) {
557         print "got <$1>\n";
558     }
559
560 Which perhaps unexpectedly yields:
561
562   got <d is under the bar in the >
563
564 That's because C<.*> was greedy, so you get everything between the
565 I<first> "foo" and the I<last> "bar".  In this case, it's more effective
566 to use minimal matching to make sure you get the text between a "foo"
567 and the first "bar" thereafter.
568
569     if ( /foo(.*?)bar/ ) { print "got <$1>\n" }
570   got <d is under the >
571
572 Here's another example: let's say you'd like to match a number at the end
573 of a string, and you also want to keep the preceding part the match.
574 So you write this:
575
576     $_ = "I have 2 numbers: 53147";
577     if ( /(.*)(\d*)/ ) {                                # Wrong!
578         print "Beginning is <$1>, number is <$2>.\n";
579     }
580
581 That won't work at all, because C<.*> was greedy and gobbled up the
582 whole string. As C<\d*> can match on an empty string the complete
583 regular expression matched successfully.
584
585     Beginning is <I have 2 numbers: 53147>, number is <>.
586
587 Here are some variants, most of which don't work:
588
589     $_ = "I have 2 numbers: 53147";
590     @pats = qw{
591         (.*)(\d*)
592         (.*)(\d+)
593         (.*?)(\d*)
594         (.*?)(\d+)
595         (.*)(\d+)$
596         (.*?)(\d+)$
597         (.*)\b(\d+)$
598         (.*\D)(\d+)$
599     };
600
601     for $pat (@pats) {
602         printf "%-12s ", $pat;
603         if ( /$pat/ ) {
604             print "<$1> <$2>\n";
605         } else {
606             print "FAIL\n";
607         }
608     }
609
610 That will print out:
611
612     (.*)(\d*)    <I have 2 numbers: 53147> <>
613     (.*)(\d+)    <I have 2 numbers: 5314> <7>
614     (.*?)(\d*)   <> <>
615     (.*?)(\d+)   <I have > <2>
616     (.*)(\d+)$   <I have 2 numbers: 5314> <7>
617     (.*?)(\d+)$  <I have 2 numbers: > <53147>
618     (.*)\b(\d+)$ <I have 2 numbers: > <53147>
619     (.*\D)(\d+)$ <I have 2 numbers: > <53147>
620
621 As you see, this can be a bit tricky.  It's important to realize that a
622 regular expression is merely a set of assertions that gives a definition
623 of success.  There may be 0, 1, or several different ways that the
624 definition might succeed against a particular string.  And if there are
625 multiple ways it might succeed, you need to understand backtracking to
626 know which variety of success you will achieve.
627
628 When using lookahead assertions and negations, this can all get even
629 tricker.  Imagine you'd like to find a sequence of non-digits not
630 followed by "123".  You might try to write that as
631
632     $_ = "ABC123";
633     if ( /^\D*(?!123)/ ) {              # Wrong!
634         print "Yup, no 123 in $_\n";
635     }
636
637 But that isn't going to match; at least, not the way you're hoping.  It
638 claims that there is no 123 in the string.  Here's a clearer picture of
639 why it that pattern matches, contrary to popular expectations:
640
641     $x = 'ABC123' ;
642     $y = 'ABC445' ;
643
644     print "1: got $1\n" if $x =~ /^(ABC)(?!123)/ ;
645     print "2: got $1\n" if $y =~ /^(ABC)(?!123)/ ;
646
647     print "3: got $1\n" if $x =~ /^(\D*)(?!123)/ ;
648     print "4: got $1\n" if $y =~ /^(\D*)(?!123)/ ;
649
650 This prints
651
652     2: got ABC
653     3: got AB
654     4: got ABC
655
656 You might have expected test 3 to fail because it seems to a more
657 general purpose version of test 1.  The important difference between
658 them is that test 3 contains a quantifier (C<\D*>) and so can use
659 backtracking, whereas test 1 will not.  What's happening is
660 that you've asked "Is it true that at the start of $x, following 0 or more
661 non-digits, you have something that's not 123?"  If the pattern matcher had
662 let C<\D*> expand to "ABC", this would have caused the whole pattern to
663 fail.
664 The search engine will initially match C<\D*> with "ABC".  Then it will
665 try to match C<(?!123> with "123", which of course fails.  But because
666 a quantifier (C<\D*>) has been used in the regular expression, the
667 search engine can backtrack and retry the match differently
668 in the hope of matching the complete regular expression.
669
670 The pattern really, I<really> wants to succeed, so it uses the
671 standard pattern back-off-and-retry and lets C<\D*> expand to just "AB" this
672 time.  Now there's indeed something following "AB" that is not
673 "123".  It's in fact "C123", which suffices.
674
675 We can deal with this by using both an assertion and a negation.  We'll
676 say that the first part in $1 must be followed by a digit, and in fact, it
677 must also be followed by something that's not "123".  Remember that the
678 lookaheads are zero-width expressions--they only look, but don't consume
679 any of the string in their match.  So rewriting this way produces what
680 you'd expect; that is, case 5 will fail, but case 6 succeeds:
681
682     print "5: got $1\n" if $x =~ /^(\D*)(?=\d)(?!123)/ ;
683     print "6: got $1\n" if $y =~ /^(\D*)(?=\d)(?!123)/ ;
684
685     6: got ABC
686
687 In other words, the two zero-width assertions next to each other work as though
688 they're ANDed together, just as you'd use any builtin assertions:  C</^$/>
689 matches only if you're at the beginning of the line AND the end of the
690 line simultaneously.  The deeper underlying truth is that juxtaposition in
691 regular expressions always means AND, except when you write an explicit OR
692 using the vertical bar.  C</ab/> means match "a" AND (then) match "b",
693 although the attempted matches are made at different positions because "a"
694 is not a zero-width assertion, but a one-width assertion.
695
696 One warning: particularly complicated regular expressions can take
697 exponential time to solve due to the immense number of possible ways they
698 can use backtracking to try match.  For example this will take a very long
699 time to run
700
701     /((a{0,5}){0,5}){0,5}/
702
703 And if you used C<*>'s instead of limiting it to 0 through 5 matches, then
704 it would take literally forever--or until you ran out of stack space.
705
706 A powerful tool for optimizing such beasts is "independent" groups,
707 which do not backtrace (see L<C<(?E<gt>pattern)>>).  Note also that
708 zero-length lookahead/lookbehind assertions will not backtrace to make
709 the tail match, since they are in "logical" context: only the fact
710 whether they match or not is considered relevant.  For an example
711 where side-effects of a lookahead I<might> have influenced the
712 following match, see L<C<(?E<gt>pattern)>>.
713
714 =head2 Version 8 Regular Expressions
715
716 In case you're not familiar with the "regular" Version 8 regex
717 routines, here are the pattern-matching rules not described above.
718
719 Any single character matches itself, unless it is a I<metacharacter>
720 with a special meaning described here or above.  You can cause
721 characters that normally function as metacharacters to be interpreted
722 literally by prefixing them with a "\" (e.g., "\." matches a ".", not any
723 character; "\\" matches a "\").  A series of characters matches that
724 series of characters in the target string, so the pattern C<blurfl>
725 would match "blurfl" in the target string.
726
727 You can specify a character class, by enclosing a list of characters
728 in C<[]>, which will match any one character from the list.  If the
729 first character after the "[" is "^", the class matches any character not
730 in the list.  Within a list, the "-" character is used to specify a
731 range, so that C<a-z> represents all characters between "a" and "z",
732 inclusive.  If you want "-" itself to be a member of a class, put it
733 at the start or end of the list, or escape it with a backslash.  (The
734 following all specify the same class of three characters: C<[-az]>,
735 C<[az-]>, and C<[a\-z]>.  All are different from C<[a-z]>, which
736 specifies a class containing twenty-six characters.)
737
738 Note also that the whole range idea is rather unportable between
739 character sets--and even within character sets they may cause results
740 you probably didn't expect.  A sound principle is to use only ranges
741 that begin from and end at either alphabets of equal case ([a-e],
742 [A-E]), or digits ([0-9]).  Anything else is unsafe.  If in doubt,
743 spell out the character sets in full.
744
745 Characters may be specified using a metacharacter syntax much like that
746 used in C: "\n" matches a newline, "\t" a tab, "\r" a carriage return,
747 "\f" a form feed, etc.  More generally, \I<nnn>, where I<nnn> is a string
748 of octal digits, matches the character whose ASCII value is I<nnn>.
749 Similarly, \xI<nn>, where I<nn> are hexadecimal digits, matches the
750 character whose ASCII value is I<nn>. The expression \cI<x> matches the
751 ASCII character control-I<x>.  Finally, the "." metacharacter matches any
752 character except "\n" (unless you use C</s>).
753
754 You can specify a series of alternatives for a pattern using "|" to
755 separate them, so that C<fee|fie|foe> will match any of "fee", "fie",
756 or "foe" in the target string (as would C<f(e|i|o)e>).  The
757 first alternative includes everything from the last pattern delimiter
758 ("(", "[", or the beginning of the pattern) up to the first "|", and
759 the last alternative contains everything from the last "|" to the next
760 pattern delimiter.  For this reason, it's common practice to include
761 alternatives in parentheses, to minimize confusion about where they
762 start and end.
763
764 Alternatives are tried from left to right, so the first
765 alternative found for which the entire expression matches, is the one that
766 is chosen. This means that alternatives are not necessarily greedy. For
767 example: when mathing C<foo|foot> against "barefoot", only the "foo"
768 part will match, as that is the first alternative tried, and it successfully
769 matches the target string. (This might not seem important, but it is
770 important when you are capturing matched text using parentheses.)
771
772 Also remember that "|" is interpreted as a literal within square brackets,
773 so if you write C<[fee|fie|foe]> you're really only matching C<[feio|]>.
774
775 Within a pattern, you may designate subpatterns for later reference by
776 enclosing them in parentheses, and you may refer back to the I<n>th
777 subpattern later in the pattern using the metacharacter \I<n>.
778 Subpatterns are numbered based on the left to right order of their
779 opening parenthesis.  A backreference matches whatever
780 actually matched the subpattern in the string being examined, not the
781 rules for that subpattern.  Therefore, C<(0|0x)\d*\s\1\d*> will
782 match "0x1234 0x4321", but not "0x1234 01234", because subpattern 1
783 actually matched "0x", even though the rule C<0|0x> could
784 potentially match the leading 0 in the second number.
785
786 =head2 WARNING on \1 vs $1
787
788 Some people get too used to writing things like:
789
790     $pattern =~ s/(\W)/\\\1/g;
791
792 This is grandfathered for the RHS of a substitute to avoid shocking the
793 B<sed> addicts, but it's a dirty habit to get into.  That's because in
794 PerlThink, the righthand side of a C<s///> is a double-quoted string.  C<\1> in
795 the usual double-quoted string means a control-A.  The customary Unix
796 meaning of C<\1> is kludged in for C<s///>.  However, if you get into the habit
797 of doing that, you get yourself into trouble if you then add an C</e>
798 modifier.
799
800     s/(\d+)/ \1 + 1 /eg;        # causes warning under -w
801
802 Or if you try to do
803
804     s/(\d+)/\1000/;
805
806 You can't disambiguate that by saying C<\{1}000>, whereas you can fix it with
807 C<${1}000>.  Basically, the operation of interpolation should not be confused
808 with the operation of matching a backreference.  Certainly they mean two
809 different things on the I<left> side of the C<s///>.
810
811 =head2 Repeated patterns matching zero-length substring
812
813 WARNING: Difficult material (and prose) ahead.  This section needs a rewrite.
814
815 Regular expressions provide a terse and powerful programming language.  As
816 with most other power tools, power comes together with the ability
817 to wreak havoc.
818
819 A common abuse of this power stems from the ability to make infinite
820 loops using regular expressions, with something as innocous as:
821
822     'foo' =~ m{ ( o? )* }x;
823
824 The C<o?> can match at the beginning of C<'foo'>, and since the position
825 in the string is not moved by the match, C<o?> would match again and again
826 due to the C<*> modifier.  Another common way to create a similar cycle
827 is with the looping modifier C<//g>:
828
829     @matches = ( 'foo' =~ m{ o? }xg );
830
831 or
832
833     print "match: <$&>\n" while 'foo' =~ m{ o? }xg;
834
835 or the loop implied by split().
836
837 However, long experience has shown that many programming tasks may
838 be significantly simplified by using repeated subexpressions which
839 may match zero-length substrings, with a simple example being:
840
841     @chars = split //, $string;           # // is not magic in split
842     ($whitewashed = $string) =~ s/()/ /g; # parens avoid magic s// /
843
844 Thus Perl allows the C</()/> construct, which I<forcefully breaks
845 the infinite loop>.  The rules for this are different for lower-level
846 loops given by the greedy modifiers C<*+{}>, and for higher-level
847 ones like the C</g> modifier or split() operator.
848
849 The lower-level loops are I<interrupted> when it is detected that a 
850 repeated expression did match a zero-length substring, thus
851
852    m{ (?: NON_ZERO_LENGTH | ZERO_LENGTH )* }x;
853
854 is made equivalent to 
855
856    m{   (?: NON_ZERO_LENGTH )* 
857       | 
858         (?: ZERO_LENGTH )? 
859     }x;
860
861 The higher level-loops preserve an additional state between iterations:
862 whether the last match was zero-length.  To break the loop, the following 
863 match after a zero-length match is prohibited to have a length of zero.
864 This prohibition interacts with backtracking (see L<"Backtracking">), 
865 and so the I<second best> match is chosen if the I<best> match is of
866 zero length.
867
868 Say,
869
870     $_ = 'bar';
871     s/\w??/<$&>/g;
872
873 results in C<"<><b><><a><><r><>">.  At each position of the string the best
874 match given by non-greedy C<??> is the zero-length match, and the I<second 
875 best> match is what is matched by C<\w>.  Thus zero-length matches
876 alternate with one-character-long matches.
877
878 Similarly, for repeated C<m/()/g> the second-best match is the match at the 
879 position one notch further in the string.
880
881 The additional state of being I<matched with zero-length> is associated to
882 the matched string, and is reset by each assignment to pos().
883
884 =head2 Creating custom RE engines
885
886 Overloaded constants (see L<overload>) provide a simple way to extend
887 the functionality of the RE engine.
888
889 Suppose that we want to enable a new RE escape-sequence C<\Y|> which
890 matches at boundary between white-space characters and non-whitespace
891 characters.  Note that C<(?=\S)(?<!\S)|(?!\S)(?<=\S)> matches exactly
892 at these positions, so we want to have each C<\Y|> in the place of the
893 more complicated version.  We can create a module C<customre> to do
894 this:
895
896     package customre;
897     use overload;
898
899     sub import {
900       shift;
901       die "No argument to customre::import allowed" if @_;
902       overload::constant 'qr' => \&convert;
903     }
904
905     sub invalid { die "/$_[0]/: invalid escape '\\$_[1]'"}
906
907     my %rules = ( '\\' => '\\', 
908                   'Y|' => qr/(?=\S)(?<!\S)|(?!\S)(?<=\S)/ );
909     sub convert {
910       my $re = shift;
911       $re =~ s{ 
912                 \\ ( \\ | Y . )
913               }
914               { $rules{$1} or invalid($re,$1) }sgex; 
915       return $re;
916     }
917
918 Now C<use customre> enables the new escape in constant regular
919 expressions, i.e., those without any runtime variable interpolations.
920 As documented in L<overload>, this conversion will work only over
921 literal parts of regular expressions.  For C<\Y|$re\Y|> the variable
922 part of this regular expression needs to be converted explicitly
923 (but only if the special meaning of C<\Y|> should be enabled inside $re):
924
925     use customre;
926     $re = <>;
927     chomp $re;
928     $re = customre::convert $re;
929     /\Y|$re\Y|/;
930
931 =head2 SEE ALSO
932
933 L<perlop/"Regexp Quote-Like Operators">.
934
935 L<perlop/"Gory details of parsing quoted constructs">.
936
937 L<perlfunc/pos>.
938
939 L<perllocale>.
940
941 I<Mastering Regular Expressions> (see L<perlbook>) by Jeffrey Friedl.