Anda di halaman 1dari 14

Unidad 2 - Expresiones Regulares.

2.1. Definicin formal de una ER.


Es un equivalente algebraico para un autmata.

Utilizado en muchos lugares como un lenguaje


para describir patrones en texto que son
sencillos pero muy tiles.

Pueden definir exactamente los mismos


lenguajes que los autmatas pueden describir:
Lenguajes regulares.

Ofrecen algo que los autmatas no: Manera


declarativa de expresar las cadenas que
queremos aceptar.

Dado un alfabeto Dado un alfabeto , una , expresin


regular sobre expresin regular sobre se define de
forma recursiva:

ER primitivas: , , {a | a }

Si y son ER, entonces son tambin ER: +


(unin), (concatenacin), * (cierre), ().

No existen otras reglas para la construccin de


ER sobre .

Ejemplos de usos.

Comandos de bsqueda, e.g., grep de UNIX.

sistema de formato de texto: Usan notacin de


tipo expresin regular para describir patrones.

Convierte la expresin regular a un DFA o un


NFA y simula el autmata en el archivo de
bsqueda.

Generadores de analizadores - Lxicos. Como


Lex o Flex.

Los analizadores lxicos son parte de un


compilador. Dividen el programa fuente en
unidades lgicas (tokens) divide el programa
fuente en unidades.

Produce un DFA que reconoce el token.

Las expresiones regulares denotan lenguajes.


Por ejemplo, la expresin regular: 01* + 10* denota todas
las cadenas que son o un 0 seguido de cualquier
cantidad 1's o un 1 seguida de cualquier cantidad de
0's.
Operaciones de los lenguajes:

Unin: Si L y M son dos lenguajes, su unin se


denota por L U M.

Concatenacin: La concatenacin es: LM o


L.M.

Cerradura (o cerradura de Kleene): Si L es un


lenguaje su cerradura se denota por L *.

Si E es una expresin regular, entonces L(E) denota el


lenguaje que define E. Las expresiones se construyen
de la manera siguiente:

Las contantes y son expresiones regulares


que representan a los lenguajes L (Q) = {Q} y L
() L = respectivamente.

Si a es un smbolo, entonces es una expresin


regular que representan al lenguaje: L (a) = {a}.

2.2. Operaciones
Unin o Alternativa: Consideremos dos lenguajes
diferentes definidos sobre el mismo alfabeto L1 W()
y L2 W(). Se denomina unin de ambos lenguajes
al lenguaje formado por las palabras de ambos
lenguajes:

L1 U L2={ x | x L1 x L2}

Concatenacin: Consideremos dos lenguajes


definidos sobre el mismo alfabeto, L1 y L2. La
concatenacin o producto de estos lenguajes es
el lenguaje L1 L2= { xy / x L1 y x L2} Las
palabras de este lenguaje estarn formadas al
concatenar cada una palabra del primero de los
lenguajes con otra del segundo.

La concatenacin de lenguajes con el lenguaje


vaci es L = L =

Potencia de un lenguaje: Se define la potencia i-sima


de un lenguaje a la operacin de concatenarlo consigo
mismo i veces.
Li= LLL ....L
|------------|
i
Clausura positiva de un lenguaje: Se define la clausura
positiva de un lenguaje L:

L+=ULi
i=1
Lenguaje obtenido uniendo el lenguaje con todas sus
potencias posibles excepto L. Si L no contiene la
palabra vaca, la clausura positiva tampoco
Cierre o Clausura de un lenguaje: Se define el cierre o
clausura de un lenguaje L como :
L*=ULi=0

Lenguaje obtenido uniendo el lenguaje con todas sus


potencias posibles, incluso L. Todas las clausuras
contienen la palabra vaca.
Existen tres operaciones bsicas que se pueden realizar
sobre las ER:

Seleccin de alternativas : Se indica con el


operador |(barra vertical). Si r y s son ER,
entonces r | s es una ER que define a cualquier
cadena que concuerde con una r o una s,
tambin se dice que r | s , es la unin de los
lenguajes de r y s y lo podemos definir: L( r | s )
= L( r ) U L( s ). Esta operacin se puede
extender a ms de dos ER.

Concatenacin: Se indica con la


yuxtaposicin de las ER. Si r y s son ER,
entonces rs es una ER que define a cualquier
cadena que concuerde con la concatenacin
de r y s , esta operacin la podemos definir:
L(rs) = L(r)L(s).Esta operacin se puede
extender a ms de dos ER.

Repeticin o Cerradura: Tambin se conoce con el


nombre de cerradura de Kleene. Se indica con el
operador *. Si r es una ER, entonces r* es una ER que
define a las cadenas de caracteres representadas por
la concatenacin repetida de r en n veces, o sea que lo
podemos definir como: L(r*) = L(r)*o tambin lo
podemos definir como la unin infinita de conjuntos r
:r* n = r 0 r 1 r 2...r n.

2.3 Aplicaciones en problemas reales.


Una de las principales aplicaciones de los hermanos
Deitel, son las expresiones regulares que facilitan la
construccin de un compilador. A menudo se utiliza
una expresin regular larga y compleja para validar la
sintaxis de un programa. Si el cdigo del programa no
concuerda con la expresin regular, el compilador sabe
que hay un error de sintaxis dentro del cdigo.
Generalmente convierten la expresin regular a un
autmata finito no determinista y despus construyen
el autmata finito determinista.
Otra aplicacin del mismo libro es en los editores de texto.
Tambin encontramos a las expresiones regulares en
la biologa molecular. Tambin hay esfuerzos
importantes para tratar de representar cadenas como
generadas por expresiones regulares o por lenguajes
regulares.

Unidad 2: Expresiones Regulares


Competencia especfica a
Actividades de Aprendizaje
desarrollar
Crear y reconocer ER mediante un
Investigar las expresiones regulares y sus
lenguaje de programacin o un
operaciones.
analizador lxico.
Generar cadenas a partir de una
expresin regular.
Obtener una expresin regular a partir de
un grupo de cadenas o visceversa.
Obtener una expresin regular a partir de
la descripcin de un caso de estudio.
Elaborar por equipo, el reconocimiento de
expresiones regulares mediante un
lenguaje de programacin o un analizador
lxico.

Investigar las expresiones regulares y sus operaciones.

Operaciones

Unin o Alternativa: Consideremos dos lenguajes diferentes definidos sobre el mismo


alfabeto L1 W() y L2 W(). Se denomina unin de ambos lenguajes al
lenguaje formado por las palabras de ambos lenguajes:

L1 U L2={ x | x L1 x L2}

Concatenacin: Consideremos dos lenguajes definidos sobre el mismo alfabeto, L1 y


L2. La concatenacin o producto de estos lenguajes es el lenguaje L1 L2= { xy /
x L1 y x L2} Las palabras de este lenguaje estarn formadas al concatenar
cada una palabra del primero de los lenguajes con otra del segundo.
La concatenacin de lenguajes con el lenguaje vaci es L = L =
Potencia de un lenguaje: Se define la potencia i-sima de un lenguaje a la operacin
de concatenarlo consigo mismo i veces.
Li= LLL ....L
|------------|
i
Clausura positiva de un lenguaje: Se define la clausura positiva de un lenguaje L:

L+=ULi
i=1
Lenguaje obtenido uniendo el lenguaje con todas sus potencias posibles excepto L. Si
L no contiene la palabra vaca, la clausura positiva tampoco
Cierre o Clausura de un lenguaje: Se define el cierre o clausura de un lenguaje L
como :

L* = U Li
i=0
Lenguaje obtenido uniendo el lenguaje con todas sus potencias posibles, incluso L.
Todas las clausuras contienen la palabra vaca.
Existen tres operaciones bsicas que se pueden realizar sobre las ER:

Seleccin de alternativas : Se indica con el operador |(barra vertical). Si r


y s son ER, entonces r | s es una ER que define a cualquier cadena que
concuerde con una r o una s, tambin se dice que r | s , es la unin de los
lenguajes de r y s y lo podemos definir: L( r | s ) = L( r ) U L( s ). Esta
operacin se puede extender a ms de dos ER.

Concatenacin: Se indica con la yuxtaposicin de las ER. Si r y s son ER,


entonces rs es una ER que define a cualquier cadena que concuerde con la

concatenacin de r y s , esta operacin la podemos definir: L(rs) =


L(r)L(s).Esta operacin se puede extender a ms de dos ER.
Repeticin o Cerradura: Tambin se conoce con el nombre de cerradura de Kleene.
Se indica con el operador *. Si r es una ER, entonces r* es una ER que define a
las cadenas de caracteres representadas por la concatenacin repetida de r en n
veces, o sea que lo podemos definir como: L(r*) = L(r)*o tambin lo podemos
definir como la unin infinita de conjuntos r :r* n = r 0 r 1 r 2...r n.

Generar cadenas a partir de una expresin regular.


El generador Expresin regular permite generar cadenas que coincidan con un
modelo determinado. Puede usar este generador con cualquier columna de datos
que tenga un tipo de datos que acepte una cadena. Estos tipos de datos
son char,varchar, varchar(max), text, nchar, nvarchar, nvarchar(max), nte
xt, sysname y tipos definidos por el usuario que se basan en estos tipos. Tambin
puede usar el generador Expresin regular con tipos definidos por el usuario de
CLR.
El generador Expresin regular no puede garantizar valores nicos. Por tanto, no
estar disponible para las columnas que requieran valores nicos.
Para usar el generador de datos Expresin regular en una columna, debe
especificarlo en el recuadro de los detalles de columna de la ventana del plan de
generacin de datos. Tras especificar el generador Expresin regular, debe
establecer la propiedad Expression en la ventana Propiedades. La
propiedad Expression contiene el modelo con el que deben coincidir los
datos. Para obtener ms informacin, vea Especificar detalles de la generacin de
datos para una columna.

Obtener una expresin regular a partir de un grupo de cadenas o visceversa.


Expression

(F|M)

Descripcin

Representacin simple d
gnero.

[1-9][0-9]{2,2}-[1-9][0-9]{2,2}-[0-9]{4,4}

Nmero de telfono simp

representado como 8008446

\+1 (425|206)-[1-9][0-9]{2,2}-[0-9]{4,4}

Notacin internacional pa

nmero de telfono de la
de Seattle.

[1-9][0-9]{4}-[0-9]{4}

Cdigo postal ms cuatro


(como 98008-2405)

[1-6]{1}[0-9]{1,3} (SE|NE|NW|SW) [1-2]{1}[0-9]{1,2}th (ST|CT|PL|AVE),


(Redmond, WA 9805[0-9]|Bellevue, WA 9800[1-9]|Sammamish, WA 9807[0-9]|

Direccin postal sencilla.

Seattle, WA 9806[0-9]|Issaquah, WA 9808[0-9])

Seattle|(New York)|Boston|Miami|Beijing|(Los Angles)|London|Paris

Lista de nombres de ciud

[a-z]{5,8}@(hotmail\.com|msn\.com|[a-z]{3,8}\.(com|net|org))

Direccin de correo elect


simple.

[1-9][0-9]{3} [0-9]{4} [0-9]{4} [0-9]{4}

Nmero de tarjeta de cr

Obtener una expresin regular a partir de la descripcin de un caso de


estudio.

Elaborar por equipo, el reconocimiento de expresiones regulares


mediante un lenguaje de programacin o un analizador lxico.
Java
Java es un lenguaje de programacin orientado a objetos, fuertemente
tipado, independiente de la plataforma (write once, run everywhere) que
ejecuta sobre una mquina virtual.
Al igual que en Javascript, escribir una expresin regular literalmente en
lugar de obtenerla posteriormente de un campo de texto o de una
funcion, implicar tener que hacer un doble escapado de la para que se
considere expresin regular. De esta forma, si utilizamos una variable
String para guardar la expresin regular y la ponemos a pelo, o si
ponemos el texto directamente en el constructor, necesitaremos hacer
un doble escapado (recordamos que para representar el caracter
necesitaremos poner \\).
Por otra parte, a diferencia de Javascript (que no es Java, para evitar la
tpica equivocacin), en Java usaremos ms de un objeto para utilizar las
expresiones regulares. En este caso sern dos clases:
Clase Pattern: define una expresin regular compilada. Para poder
construir un objeto de la clase Pattern haremos lo siguiente:
1 Pattern regex = Pattern.compile("^(\w+)@(\w+)\.([a-zA-z]{2,6})$");
Clase Matcher: define un objeto que va a intentar encajar la expresin
regular en una cadena por medio de varias funciones. Para crear un
objeto de esta clase necesitamos un Pattern ya creado. De forma que:
1 Pattern regex = Pattern.compile("^(\w+)@(\w+)\.([a-zA-z]{2,6})$");
2 Matcher matcher = regex.matcher("test@vidasconcurrentes.com");

Una vez tenemos esto, llega el momento de ver las funciones que se
usan para encajar expresiones regulares. Bsicamente tendremos dos
funciones para poder hacer esto:
Funcin matches(): esta funcin es parte del objeto Matcher. Intenta
encajar la expresin regular en la cadena de forma absoluta. En otras
palabras, en caso de que nuestroPatternno tuviera los smbolos ^ y $,
iba a actuar como si los tuviera. Devuelve un boolean. Veamos un
ejemplo:
1 Pattern regex = Pattern.compile("(\w+)@(\w+)\.([a-zA-z]{2,6})");
2 Matcher matcher = regex.matcher("test@vidasconcurrentes.com");
3
4

System.out.println(matcher.matches());
// output: true

5
6 Pattern regex = Pattern.compile("(\w+)@(\w+)\.([a-zA-z]{2,6})");
Matcher matcher = regex.matcher("basura
test@vidasconcurrentes.com basura");
8 System.out.println(matcher.matches());
7

9
// output: false
Funcin find(): esta funcin es tambin parte del objeto Matcher. Intenta
encajar la expresin regular en alguna parte de la cadena. Al contrario
que matches(), si el Pattern no contiene los smbolos de inicio y final, no
los inserta. Devuelve un boolean tambin. Cuando utilizamos esta
funcin, el objeto de la clase Matcher guarda la posicin en la que
consigui encajar el patrn, de forma que podremos usar las
funciones start(), end() ygroup()para acceder a la posicin inicial donde
encaj, la posicin final y la cadena que encaj, respectivamente.
Veamos el ejemplo anterior con esta funcin:
1 Pattern regex = Pattern.compile("(\w+)");
2 Matcher matcher = regex.matcher("test@vidasconcurrentes.com");
3
4
5
6
7
8
9

while(matcher.find())
System.out.println(matcher.group());
/* output:
test
vidasconcurrentes
com
*/

10
11 Pattern regex = Pattern.compile("(\w+)@(\w+)\.([a-zA-z]{2,6})");
12 Matcher matcher = regex.matcher("test@vidasconcurrentes.com");
13
14

System.out.println(matcher.find());
// output: true

15
16 Pattern regex = Pattern.compile("(\w+)@(\w+)\.([a-zA-z]{2,6})");
Matcher matcher = regex.matcher("basura
test@vidasconcurrentes.com basura");
18 System.out.println(matcher.find());
17

19
// output: true
Existe una forma rpida de ejecutar estas lneas en una sola, de forma
que compilamos unPattern y sobre l aplicamos la
funcin matches() directamente sin crear el objeto. Esta forma es
relativamente buena si, primero no vamos a querer reutilizar la
expresin regular (hay que fijarse en que podemos sacar
varios Matcher de un mismo Pattern), y segundo si lo que queremos es
encajar una cadena entera, y no partes internas slo. La
clase Matcher permite resetear la cadena que guarda (tambin las
posiciones que ha encajado con find() y de esta forma ahorrar
movimiento al recolector de basura, para ello se usan las
funciones reset() y reset(nuevaCadena). Veamos un ejemplo bastante
simple para esta forma rpida de encajar:
System.out.println(Pattern.matches("(\w+)@(\w+)\.([a-zA-z]
1
{2,6})","test@vidasconcurrentes.com"));
2 // output: true
3
4

System.out.println(Pattern.matches("(\w+)@(\w+)\.([a-zA-z]
{2,6})","basura test@vidasconcurrentes.com basura"));

5
// output: false
Por otra parte existe una forma de reemplazar texto en una cadena
utilizando una expresin regular, pero de una forma un poco
enrevesada. Para esto vamos a usar las
funcionesappendReplacement() y appendTail().
Por una parte vamos a ir recorriendo nuestra cadena buscando el patrn
y cuando lo encajemos vamos a guardarlo en un String. Una vez
hayamos acabado de recorrer la cadena, vamos a poner todo el

contenido de este String en el Matcherpara realmente hacer efectiva la


sustitucin. Hagamos una variante del ejemplo que mostramos
anteriormente en Javascript:
1 Pattern patron = Pattern.compile("(\w+)");
2 Matcher matcher = patron.matcher("test@vidasconcurrentes.com");
3
4
5
6

StringBuffer sb = new StringBuffer();


matcher.find();

7 // reemplazamos solo la primera


8 matcher.appendReplacement(sb, "prueba");
9
10

matcher.appendTail(sb);

11 System.out.println(sb.toString());
12 // output: prueba@vidasconcurrentes.com
Por otra parte podemos aplicar modificadores a la expresin regular
como hicimos en Javascript con g, i, m, s. En el siguiente ejemplo
mostramos como hacer el ejemplo de encajar una cadena sin distinguir
maysculas de minsculas:
Pattern patron = Pattern.compile("([a-z]+)",
1
Pattern.CASE_INSENSITIVE);
2 Matcher matcher = patron.matcher("TeSt@VidasConcuRRentes.cOM");
3
4

StringBuffer sb = new StringBuffer();

5 while(matcher.find())
6
// reemplazamos todo, no solo la primera
7
matcher.appendReplacement(sb, "prueba");
8 matcher.appendTail(sb);
9
10

System.out.println(sb.toString());

11

// output: prueba@prueba.prueba

Anda mungkin juga menyukai