Expresin regular

Una expresin regular, a menudo llamada tambin patrn, es una expresin que describe
un conjunto de cadenas sin enumerar sus elementos. Por ejemplo, el grupo formado por las
cadenas Handel, Hndel y Haendel se describe mediante el patrn "H(a||ae)ndel". La
mayora de las formalizaciones proporcionan los siguientes constructores: una expresin
regular es una forma de representar a los lenguajes regulares (finitos o infinitos) y se
construye utilizando caracteres del alfabeto sobre el cual se define el lenguaje.
Especficamente, las expresiones regulares se construyen utilizando los operadores unin,
concatenacin y clausura de Kleene. Adems cada expresin regular tiene un autmata
finito asociado.
Alternacin
Una barra vertical separa las alternativas. Por ejemplo, "marrn|castao" casa con
marrn o castao.
Cuantificacin
Un cuantificador tras un carcter especifica la frecuencia con la que ste puede
ocurrir. Los cuantificadores ms comunes son +, ? y *:
+
El signo ms indica que el carcter al que sigue debe aparecer al menos una vez. Por
ejemplo, "ho+la" describe el conjunto infinito hola, hoola, hooola, hoooola,
etctera.
?
El signo de interrogacin indica que el carcter al que sigue puede aparecer como
mucho una vez. Por ejemplo, "ob?scuro" casa con oscuro y obscuro.
*
El asterisco indica que el carcter que lo precede puede aparecer cero, una, o ms
veces. Por ejemplo, "0*42" casa con 42, 042, 0042, 00042, etctera.
Agrupacin
Los parntesis pueden usarse para definir el mbito y precedencia de los dems
operadores. Por ejemplo, "(p|m)adre" es lo mismo que "padre|madre", y
"(des)?amor" casa con amor y con desamor.
Los constructores pueden combinarse libremente dentro de la misma expresin, por lo que
"H(ae?|)ndel" equivale a "H(a|ae|)ndel".
La sintaxis precisa de las expresiones regulares cambia segn las herramientas y
aplicaciones consideradas, y se describe con ms detalle a continuacin.
Su utilidad ms obvia es la de describir un conjunto de cadenas, lo que resulta de utilidad
en editores de texto y aplicaciones para buscar y manipular textos. Muchos lenguajes de
programacin admiten el uso de expresiones regulares con este fin. Por ejemplo, Perl tiene
un potente motor de expresiones regulares directamente incluido en su sintaxis. Las
herramientas proporcionadas por las distribuciones de Unix (incluyendo el editor sed y el
filtro grep) fueron las primeras en popularizar el concepto de expresin regular.

Aplicaciones
Numerosos editores de texto y otras utilidades utilizan expresiones regulares para buscar y
reemplazar patrones en un texto.

Las expresiones regulares en programacin

Nota: Para el entendimiento completo de esta seccin es necesario poseer
conocimientos generales acerca de lenguajes de programacin o programacin en
general.
En el rea de la programacin las expresiones regulares son un mtodo por medio del cual
se pueden realizar bsquedas dentro de cadenas de caracteres. Sin importar si la bsqueda
requerida es de dos caracteres en una cadena de 10 o si es necesario encontrar todas las
apariciones de un patrn definido de caracteres en un archivo de millones de caracteres, las
expresiones regulares proporcionan una solucin para el problema. Adicionalmente, un uso
derivado de la bsqueda de patrones es la validacin de un formato especfico en una
cadena de caracteres dada, como por ejemplo fechas o identificadores.
Para poder utilizar las expresiones regulares al programar es necesario tener acceso a un
motor de bsqueda con la capacidad de utilizarlas. Es posible clasificar los motores
disponibles en dos tipos: Motores para el programador y Motores para el usuario final.
Motores para el usuario final: son programas que permiten realizar bsquedas sobre el
contenido de un archivo o sobre un texto extrado y colocado en el programa. Estn
diseados para permitir al usuario realizar bsquedas avanzadas usando este mecanismo,
sin embargo es necesario aprender a redactar expresiones regulares adecuadas para poder
utilizarlos eficientemente. stos son algunos de los programas disponibles:

grep: programa de los sistemas operativos Unix/Linux

PowerGrep: versin de grep para los sistemas operativos Windows
RegexBuddy: ayuda a crear las expresiones regulares en forma interactiva y luego le
permite al usuario usarlas y guardarlas.
EditPad Pro: permite realizar bsquedas con expresiones regulares sobre archivos y
las muestra por medio de cdigo de colores para facilitar su lectura y comprensin.

Motores para el programador: permiten automatizar el proceso de bsqueda de modo que

sea posible utilizarlo muchas veces para un propsito especfico. Estas son algunas de las
herramientas de programacin disponibles que ofrecen motores de bsqueda con soporte a
expresiones regulares:

Java: existen varias bibliotecas hechas para java que permiten el uso de RegEx, y
Sun planea dar soporte a estas desde el SDK
JavaScript: a partir de la versin 1.2 (ie4+, ns4+) JavaScript tiene soporte integrado
para expresiones regulares.
Perl: es el lenguaje que hizo crecer a las expresiones regulares en el mbito de la
programacin hasta llegar a lo que son hoy en da.

PCRE: biblioteca de ExReg para C, C++ y otros lenguajes que puedan utilizar
bibliotecas dll (Visual Basic 6 por ejemplo).
PHP: tiene dos tipos diferentes de expresiones regulares disponibles para el
programador, aunque la variante POSIX (ereg) va a ser desechada en PHP 6.
Python: lenguaje de "scripting" popular con soporte a Expresiones Regulares.
.Net Framework: provee un conjunto de clases mediante las cuales es posible
utilizar expresiones regulares para hacer bsquedas, reemplazar cadenas y validar
patrones.

Nota: de las herramientas mencionadas con anterioridad se utilizan el EditPad Pro y el .Net
Framework para dar ejemplos, aunque es posible utilizar las expresiones regulares con
cualquier combinacin de las herramientas mencionadas. Aunque en general las
Expresiones Regulares utilizan un lenguaje comn en todas las herramientas, las
explicaciones prcticas acerca de la utilizacin de las herramientas y los ejemplos de
cdigo deben ser interpretados de forma diferente. Tambin es necesario hacer notar que
existen algunos detalles de sintaxis de las expresiones regulares que son propietarios del
.Net Framework que se utilizan en forma diferente en las dems herramientas de
programacin. Cuando estos casos se den se har notar en forma explcita para que el lector
pueda buscar informacin respecto a estos detalles en fuentes adicionales. En el futuro se
incluirn adicionalmente ejemplos de otras herramientas y lenguajes de programacin.
Expresiones regulares como motor de bsqueda
Las expresiones regulares permiten encontrar porciones especficas de texto dentro de una
cadena ms grande de caracteres. As, si es necesario encontrar el texto "lote" en la
expresin "el ocelote salt al lote contiguo" cualquier motor de bsqueda sera capaz de
efectuar esta labor. Sin embargo, la mayora de los motores de bsqueda encontraran
tambin el fragmento "lote" de la palabra "ocelote", lo cual podra no ser el resultado
esperado. Algunos motores de bsqueda permiten adicionalmente especificar que se desea
encontrar solamente palabras completas, solucionando este problema. Las expresiones
regulares permiten especificar todas estas opciones adicionales y muchas otras sin
necesidad de configurar opciones adicionales, sino utilizando el mismo texto de bsqueda
como un lenguaje que permite enviarle al motor de bsqueda exactamente lo que deseamos
encontrar en todos los casos, sin necesidad de activar opciones adicionales al realizar la
bsqueda.
Expresiones regulares como lenguaje
Para especificar opciones dentro del texto a buscar se utiliza un lenguaje o convencin
mediante el cual se le transmite al motor de bsqueda el resultado que se desea obtener.
Este lenguaje le da un significado especial a una serie de caracteres. Por lo tanto cuando el
motor de bsqueda de expresiones regulares encuentre estos caracteres no los buscar en el
texto en forma literal, sino que buscar lo que los caracteres significan. A estos caracteres
se les llama algunas veces "meta-caracteres". A continuacin se listan los principales metacaracteres y su funcin y como los interpreta el motor de expresiones regulares.

Descripcin de las expresiones regulares

El Punto "."
El punto es interpretado por el motor de bsqueda como cualquier carcter excepto los
caracteres que representan un salto de lnea, a menos que se le especifique esto al motor de
Expresiones Regulares. Por lo tanto si esta opcin se deshabilita en el motor de bsqueda
que se utilice, el punto le dir al motor que encuentre cualquier carcter incluyendo los
saltos de lnea. En la herramienta EditPad Pro esto se hace por medio de la opcin "punto
corresponde a nueva lnea" en las opciones de bsqueda. En .Net Framework se utiliza la
opcin RegexOptions. Singleline al efectuar la bsqueda o crear la expresin regular.
El punto se utiliza de la siguiente forma: Si se le dice al motor de RegEx que busque "g.t"
en la cadena "el gato de piedra en la gtica puerta de getisboro goot" el motor de bsqueda
encontrar "gat", "gt" y por ltimo "get". Ntese que el motor de bsqueda no encuentra
"goot"; esto es porque el punto representa un solo carcter y nicamente uno. Si es
necesario que el motor encuentra tambin la expresin "goot", ser necesario utilizar
repeticiones, las cuales se explican ms adelante.
Aunque el punto es muy til para encontrar caracteres que no conocemos, es necesario
recordar que corresponde a cualquier carcter y que muchas veces esto no es lo que se
requiere. Es muy diferente buscar cualquier carcter que buscar cualquier carcter
alfanumrico o cualquier dgito o cualquier no-dgito o cualquier no-alfanumrico. Se debe
tomar esto en cuenta antes de utilizar el punto y obtener resultados no deseados.

La barra inversa o contrabarra "\"

Se utiliza para "marcar" el siguiente carcter de la expresin de bsqueda de forma que este
adquiera un significado especial o deje de tenerlo. O sea, la barra inversa no se utiliza
nunca por s sola, sino en combinacin con otros caracteres. Al utilizarlo por ejemplo en
combinacin con el punto "\." este deja de tener su significado normal y se comporta como
un carcter literal.
De la misma forma, cuando se coloca la barra inversa seguida de cualquiera de los
caracteres especiales que discutiremos a continuacin, estos dejan de tener su significado
especial y se convierten en caracteres de bsqueda literal.
Como ya se mencion con anterioridad, la barra inversa tambin puede darle significado
especial a caracteres que no lo tienen. A continuacin hay una lista de algunas de estas
combinaciones:

\t Representa un tabulador.
\r Representa el "retorno de carro" o "regreso al inicio" o sea el lugar en que la
lnea vuelve a iniciar.
\n Representa la "nueva lnea" el carcter por medio del cual una lnea da inicio.
Es necesario recordar que en Windows es necesaria una combinacin de \r\n para
comenzar una nueva lnea, mientras que en Unix solamente se usa \n y en Mac_OS
clsico se usa solamente \r.
\a Representa una "campana" o "beep" que se produce al imprimir este carcter.

\e Representa la tecla "Esc" o "Escape"

\f Representa un salto de pgina
\v Representa un tabulador vertical
\x Se utiliza para representar caracteres ASCII o ANSI si conoce su cdigo. De
esta forma, si se busca el smbolo de derechos de autor y la fuente en la que se
busca utiliza el conjunto de caracteres Latin-1 es posible encontrarlo utilizando
"\xA9".
\u Se utiliza para representar caracteres Unicode si se conoce su cdigo.
"\u00A2" representa el smbolo de centavos. No todos los motores de Expresiones
Regulares soportan Unicode. El .Net Framework lo hace, pero el EditPad Pro no,
por ejemplo.
\d Representa un dgito del 0 al 9.
\w Representa cualquier carcter alfanumrico.
\s Representa un espacio en blanco.
\D Representa cualquier carcter que no sea un dgito del 0 al 9.
\W Representa cualquier carcter no alfanumrico.
\S Representa cualquier carcter que no sea un espacio en blanco.
\A Representa el inicio de la cadena. No un carcter sino una posicin.
\Z Representa el final de la cadena. No un carcter sino una posicin.
\b Marca el inicio y el final de una palabra.
\B Marca la posicin entre dos caracteres alfanumricos o dos no-alfanumricos.

Notas:

Utilidades como Charmap.exe de Windows o gucharmap de GNOME permiten

encontrar los cdigos ASCII/ANSI/UNICODE para utilizarlos en Expresiones
Regulares.
Algunos lenguajes, como Java, asignan su propio significado a la barra invertida,
por lo que deber repetirse para que sea considerada una expresin regular (ej.
String expresion="\\d.\\d" para indicar el patrn \d.\d).

Los corchetes "[ ]"

La funcin de los corchetes en el lenguaje de las expresiones regulares es representar
"clases de caracteres", o sea, agrupar caracteres en grupos o clases. Son tiles cuando es
necesario buscar uno de un grupo de caracteres. Dentro de los corchetes es posible utilizar
el guion "-" para especificar rangos de caracteres. Adicionalmente, los metacaracteres
pierden su significado y se convierten en literales cuando se encuentran dentro de los
corchetes. Por ejemplo, como vimos en la entrega anterior "\d" nos es til para buscar
cualquier carcter que represente un dgito. Sin embargo esta denominacin no incluye el
punto "." que divide la parte decimal de un nmero. Para buscar cualquier carcter que
representa un dgito o un punto podemos utilizar la expresin regular "[\d.]". Como se hizo
notar anteriormente, dentro de los corchetes, el punto representa un carcter literal y no un
metacarcter, por lo que no es necesario antecederlo con la barra inversa. El nico carcter
que es necesario anteceder con la barra inversa dentro de los corchetes es la propia barra
inversa. La expresin regular "[\dA-Fa-f]" nos permite encontrar dgitos hexadecimales.
Los corchetes nos permiten tambin encontrar palabras an si estn escritas de forma

errnea, por ejemplo, la expresin regular "expresi[o]n" permite encontrar en un texto la

palabra "expresin" aunque se haya escrito con o sin tilde. Es necesario aclarar que sin
importar cuantos caracteres se introduzcan dentro del grupo por medio de los corchetes, el
grupo slo le dice al motor de bsqueda que encuentre un solo carcter a la vez, es decir,
que "expresi[o]n" no encontrar "expresioon" o "expresion".

La barra "|"
Sirve para indicar una de varias opciones. Por ejemplo, la expresin regular "a|e"
encontrar cualquier "a" o "e" dentro del texto. La expresin regular "este|oeste|norte|sur"
permitir encontrar cualquiera de los nombres de los puntos cardinales. La barra se utiliza
comnmente en conjunto con otros caracteres especiales.

El signo de dlar "$"

Representa el final de la cadena de caracteres o el final de la lnea, si se utiliza el modo
multi-lnea. No representa un carcter en especial sino una posicin. Si se utiliza la
expresin regular "\.$" el motor encontrar todos los lugares donde un punto finalice la
lnea, lo que es til para avanzar entre prrafos.

El acento circunflejo "^"

Este carcter tiene una doble funcionalidad, que difiere cuando se utiliza individualmente y
cuando se utiliza en conjunto con otros caracteres especiales. En primer lugar su
funcionalidad como carcter individual: el carcter "^" representa el inicio de la cadena (de
la misma forma que el signo de dlar "$" representa el final de la cadena). Por tanto, si se
utiliza la expresin regular "^[a-z]" el motor encontrar todos los prrafos que den inicio
con una letra minscula. Cuando se utiliza en conjunto con los corchetes de la siguiente
forma "[^\w ]" permite encontrar cualquier carcter que NO se encuentre dentro del grupo
indicado. La expresin indicada permite encontrar, por ejemplo, cualquier carcter que no
sea alfanumrico o un espacio, es decir, busca todos los smbolos de puntuacin y dems
caracteres especiales.
La utilizacin en conjunto de los caracteres especiales "^" y "$" permite realizar
validaciones en forma sencilla. Por ejemplo "^\d$" permite asegurar que la cadena a
verificar representa un nico dgito, "^\d\d/\d\d/\d\d\d\d$" permite validar una fecha en
formato corto, aunque no permite verificar si es una fecha vlida, ya que 99/99/9999
tambin sera vlido en este formato; la validacin completa de una fecha tambin es
posible mediante expresiones regulares, como se ejemplifica ms adelante.

Los parntesis "()"

De forma similar que los corchetes, los parntesis sirven para agrupar caracteres, sin
embargo existen varias diferencias fundamentales entre los grupos establecidos por medio
de corchetes y los grupos establecidos por parntesis:

Los caracteres especiales conservan su significado dentro de los parntesis.

Los grupos establecidos con parntesis establecen una "etiqueta" o "punto de

referencia" para el motor de bsqueda que puede ser utilizada posteriormente como
se denota ms adelante.
Utilizados en conjunto con la barra "|" permite hacer bsquedas opcionales. Por
ejemplo la expresin regular "al (este|oeste|norte|sur) de" permite buscar textos que
den indicaciones por medio de puntos cardinales, mientras que la expresin regular
"este|oeste|norte|sur" encontrara "este" en la palabra "esteban", no pudiendo
cumplir con este propsito.
Utilizados en conjunto con otros caracteres especiales que se detallan
posteriormente, ofrece funcionalidad adicional.

El signo de interrogacin "?"

El signo de pregunta tiene varias funciones dentro del lenguaje de las expresiones regulares.
La primera de ellas es especificar que una parte de la bsqueda es opcional. Por ejemplo, la
expresin regular "ob?scuridad" permite encontrar tanto "oscuridad" como "obscuridad".
En conjunto con los parntesis redondos permite especificar que un conjunto mayor de
caracteres es opcional; por ejemplo "Nov(\.|iembre|ember)?" permite encontrar tanto "Nov"
como "Nov.", "Noviembre" y "November". Como se mencion anteriormente, los
parntesis nos permiten establecer un "punto de referencia" para el motor de bsqueda. Sin
embargo, algunas veces, no se desea utilizarlos con este propsito, como en el ejemplo
anterior "Nov(\.|iembre|ember)?". En este caso el establecimiento de este punto de
referencia (que se detalla ms adelante) representa una inversin intil de recursos por parte
del motor de bsqueda. Para evitar se puede utilizar el signo de pregunta de la siguiente
forma: "Nov(?:\.|iembre|ember)?". Aunque el resultado obtenido ser el mismo, el motor de
bsqueda no realizar una inversin intil de recursos en este grupo, sino que lo ignorar.
Cuando no sea necesario reutilizar el grupo, es aconsejable utilizar este formato. De forma
similar, es posible utilizar el signo de pregunta con otro significado: Los parntesis definen
grupos "annimos", sin embargo el signo de pregunta en conjunto con los parntesis
triangulares "<>" permite "nombrar" estos grupos de la siguiente forma:
"^(?<Da>\d\d)/(?<Mes>\d\d)/(?<Ao>\d\d\d\d)$"; Con lo cual se le especifica al motor de
bsqueda que los primeros dos dgitos encontrados llevarn la etiqueta "Da", los segundos
la etiqueta "Mes" y los ltimos cuatro dgitos llevarn la etiqueta "Ao".
NOTA: a pesar de la complejidad y flexibilidad dada por los caracteres especiales
estudiados hasta ahora, en su mayora nos permiten encontrar solamente un carcter a la
vez, o un grupo de caracteres a la vez. Los metacaracteres enumerados en adelante permiten
establecer repeticiones.

Las llaves "{}"

Comnmente las llaves son caracteres literales cuando se utilizan por separado en una
expresin regular. Para que adquieran su funcin de metacaracteres es necesario que
encierren uno o varios nmeros separados por coma y que estn colocados a la derecha de
otra expresin regular de la siguiente forma: "\d{2}" Esta expresin le dice al motor de
bsqueda que encuentre dos dgitos contiguos. Utilizando esta frmula podramos convertir

el ejemplo "^\d\d/\d\d/\d\d\d\d$" que serva para validar un formato de fecha en

"^\d{2}/\d{2}/\d{4}$" para una mayor claridad en la lectura de la expresin.
Nota: aunque esta forma de encontrar elementos repetidos es muy til, algunas veces no se
conoce con claridad cuantas veces se repite lo que se busca o su grado de repeticin es
variable. En estos casos los siguientes metacaracteres son tiles.

El asterisco "*"
El asterisco sirve para encontrar algo que se encuentra repetido 0 o ms veces. Por ejemplo,
utilizando la expresin "[a-zA-Z]\d*" ser posible encontrar tanto "H" como "H1", "H01",
"H100" y "H1000", es decir, una letra seguida de un nmero indefinido de dgitos. Es
necesario tener cuidado con el comportamiento del asterisco, ya que ste, por defecto, trata
de encontrar la mayor cantidad posible de caracteres que correspondan con el patrn que se
busca. De esta forma si se utiliza "\(.*\)" para encontrar cualquier cadena que se encuentre
entre parntesis y se lo aplica sobre el texto "Ver (Fig. 1) y (Fig. 2)" se esperara que el
motor de bsqueda encuentre los textos "(Fig. 1)" y "(Fig. 2)", sin embargo, debido a esta
caracterstica, en su lugar encontrar el texto "(Fig. 1) y (Fig. 2)". Esto sucede porque el
asterisco le dice al motor de bsqueda que llene todos los espacios posibles entre los dos
parntesis. Para obtener el resultado deseado se debe utilizar el asterisco en conjunto con el
signo de pregunta de la siguiente forma: "\(.*?\)" Esto es equivalente a decirle al motor de
bsqueda que "Encuentre un parntesis de apertura y luego encuentre cualquier secuencia
de caracteres hasta que encuentre un parntesis de cierre".

El signo de suma "+"

Se utiliza para encontrar una cadena que se encuentre repetida 1 o ms veces. A diferencia
del asterisco, la expresin "[a-zA-Z]\d+" encontrar "H1" pero no encontrar "H". Tambin
es posible utilizar este metacarcter en conjunto con el signo de pregunta para limitar hasta
donde se efecta la repeticin.

Grupos annimos
Los grupos annimos se establecen cada vez que se encierra una expresin regular en
parntesis, por lo que la expresin "<([a-zA-Z]\w*?)>" define un grupo annimo que tendr
como resultado que el motor de bsqueda almacenar una referencia al texto que
corresponda a la expresin encerrada entre los parntesis.
La forma ms inmediata de utilizar los grupos que se definen es dentro de la misma
expresin regular, lo cual se realiza utilizando la barra inversa "\" seguida del nmero del
grupo al que se desea hacer referencia de la siguiente forma: "<([a-zA-Z]\w*?)>.*?</\1>"
Esta expresin regular encontrar tanto la cadena "Esta" como la cadena "prueba" en el
texto "Esta es una prueba" a pesar de que la expresin no contiene los literales "font" y
"B".
Otra forma de utilizar los grupos es en el lenguaje de programacin que se est utilizando.
Cada lenguaje tiene una forma distinta de acceder a los grupos. Los ejemplos enumerados a

continuacin utilizan las clases del .Net Framework, usando la sintxis de C# (la cual puede
fcilmente adaptarse a VB .Net o cualquier otro lenguaje del Framework o incluso Java o
JavaScript).
Para utilizar el motor de bsqueda del .Net Framework es necesario en primer lugar hacer
referencia al espacio de nombres System.Text.RegularExpressions. Luego es necesario
declarar una instancia de la clase Regex de la siguiente forma:
Regex _TagParser = new Regex("<([a-zA-Z]\w*?)>");

Luego asumiendo que el texto que se desea examinar con la expresin regular se encuentra
en la variable "sText" podemos recorrer todas las instancias encontradas de la siguiente
forma:

foreach(Match CurrentMatch in _TagParser.Matches(sText)){

// ----- Cdigo extra aqu ----}

Luego se puede utilizar la propiedad Groups de la clase Match para traer el resultado de la
bsqueda:
foreach(Match CurrentMatch in _TagParser.Matches(sText)){
String sTagName = CurrentMatch. Groups[1].Value;
}

Grupos nominales
Los grupos nominales son aquellos a los que se les asigna un nombre, dentro de la
expresin regular para poder utilizarlos posteriormente. Esto se hace de forma diferente en
los distintos motores de bsqueda, a continuacin se explica como hacerlo en el motor del
.Net Framework.
Utilizando el ejemplo anterior es posible convertir "<([a-zA-Z]\w*?)>" en
"<(?<TagName>[a-zA-Z]\w*?)>" Para encontrar etiquetas HTML. Ntese el signo de
pregunta y el texto "TagName" encerrado entre parntesis triangulares, seguido de ste.
Para utilizar este ejemplo en el .Net Framework es posible utilizar el siguiente cdigo:
Regex _TagParser = new Regex("<(?<TagName>[a-zA-Z]\w*?)>");
foreach(Match CurrentMatch in _TagParser.Matches(sText)){
String sTagName = CurrentMatch. Groups["TagName"]. Value;
}

Es posible definir tantos grupos como sea necesario, de esta forma se puede definir algo
como: "<(?<TagName>[a-zA-Z]\w*?) ?(?<Attributes>.*?)>" para encontrar no solo el
nombre del tag HTML sino tambin sus atributos de la siguiente forma:
Regex
_TagParser
?(?<Attributes>.*?)>");

new

Regex("<(?<TagName>[a-zA-Z]\w*?)

foreach(Match CurrentMatch in _TagParser.Matches(sText)){

String sTagName = CurrentMatch. Groups["TagName"]. Value;
String sAttributes = CurrentMatch. Groups["Attributes"]. Value;
}

Pero es posible ir mucho ms all de la siguiente forma:

"<?(?<TagName>[a-zA-Z][\w\r\n]*?)
?(?:(?<Attribute>[\w\r\n]*?)='?"?(?<Value>[\w-:;,\./= \r\n]*?)'?"? ?)>"

Esta expresin permite encontrar el nombre de la etiqueta, el nombre del atributo y su

valor.
Sin embargo, una etiqueta HTML puede tener ms de un atributo. Este puede resolverse
utilizando repeticiones de la siguiente forma:
"<?(?<TagName>[a-zA-Z][\w\r\n]*?)
?(?:(?<Attribute>[\w\r\n]*?)='?"?(?<Value>[\w-:;,\./= \r\n]*?)'?"? ?)*?>"

Y en el cdigo puede utilizarse de la siguiente forma:

Regex _TagParser =
new Regex("<?(?<TagName>[a-zA-Z][\w\r\n]*?)?
(?:(?<Attribute>[\w-\r\n]*?)='?"?
(?<Value>[\w-:;,\./= \r\n]*?)'?"? ?)*?>");
foreach(Match CurrentMatch in _TagParser.Matches(sText)){
String sTagName = CurrentMatch. Groups["TagName"]. Value;
foreach(Capture CurrentCapture in CurrentMatch. Groups["Attribute"].
Captures){
AttributesCollection. Add(CurrentCapture. Value)
}
foreach(Capture CurrentCapture in CurrentMatch. Groups["value"].
Captures){
ValuesCollection. Add(CurrentCapture. Value)
}
}

Es posible profundizar utilizando una expresin regular como esta:

"<?(?<TagName>[a-zA-Z][\w\r\n]*?)
?(?:(?<Attribute>[\w\r\n]*?)='?"?(?<Value>[\w-:;,\./= \r\n]*?)'?"? ?)*?>(?<Content>.*?)</\1>"

La cual permitira encontrar el nombre de la etiqueta, sus atributos, valores y el contenido

de esta, todo con una sola expresin regular.

Uso en java
El paquete java.util.regex esta formado por dos clases, la clase Matcher y la clasePattern y por
una excepcin, PatternSyntaxException.
La clase Pattern (segun la documentacion del jdk1.4) es la representacion compilada de una expresion
regular, o lo que es lo mismo, representa a la expresion regular, que en el
paquetejava.util.regex necesita estar compilada. En castellano significa patrn.
La clase Matcher es un tipo de objeto que se crea a partir de un patrn mediante la invocacin del
mtodo Pattern.matcher. Este objeto es el que nos permite realizar operaciones sobre la secuencia de
caracteres que queremos validar o la en la secuencia de caracteres en la que queremos buscar. En castellano
lo mas parecido a esto es la palabra encajador.
Por lo tanto tenemos patrones que deben ser compilados, a partir de estos creamos
objetosMatcher (encajadores) para poder realizar las operaciones sobre la cadena en cuestin.
Vamos con la clase Pattern, para crear un patrn necesitamos compilar una expresin regular, esto lo
conseguimos con el mtodo compile:

Pattern patron = Pattern.compile("camion");

El mtodo pattern devuelve la expresin regular que hemos compilado, el mtodo matchercrea un
objeto Matcher a partir del patrn, el mtodo split divide una cadena dada en partes que cumplan el
patrn compilado y por ltimo el mtodo matches compila una expresin regular y comprueba una cadena
de caracteres contra ella.
Ahora la clase Matcher. Esta clase se utiliza para comprobar cadenas contra el patrn indicado. Un
objeto Matcher se genera a partir de un objeto Pattern por medio del mtodo matcher:
Pattern patron = Pattern.compile("camion");
Matcher encaja = patron.matcher();
Una vez que tenemos el objeto creado, podemos realizar tres tipos de operaciones sobre una cadena de
caracteres. Una es a travs del mtodo matches que intenta encajar toda la secuencia en el patrn (para el
patrn "camion" la cadena "camion" encajara, la cadena "mi camion es verde" no encajara). Otra es a travs
del mtodo lookingAt, intenta encajar el patrn en la cadena (para el patrn "camion" tanto la cadena
"camion" como la cadena "mi camion es verde" encajaria). Otra es la proporcionada por el mtodo find que
va buscando subcadenas dentro de la cadena de caracteres que cumplan el patrn compilado (una vez
encontrada una ocurrencia, se puede inspeccionar por medio de los mtodos start que marca el primer
carcter de la ocurrencia en la secuencia y el mtodo end que marca el ultimo carcter de la ocurrencia).
Todos estos mtodos devuelven un booleano que indica si la operacin ha tenido xito.
Todo lo anterior esta orientado a la b6uacutesqueda de patrones en cadenas de caracteres, pero puede que
queramos llegar mas all, que lo que queramos sea reemplazar una cadena de caracteres que se corresponda
con un patrn por otra cadena. Por ejemplo un mtodo que consigue esto es replaceAll que reemplaza toda
ocurrencia del patrn en la cadena por la cadena que se le suministra.

Ejemplos
El siguiente es un ejemplo del uso del mtodo replaceAll sobre una cadena. El ejemplo sustituye todas las
apariciones que concuerden con el patron "a*b" por la cadena "-".
// se importa el paquete java.util.regex
import java.util.regex.*;
public class EjemploReplaceAll{
public static void main(String args[]){
// compilamos el patron
Pattern patron = Pattern.compile("a*b");
// creamos el Matcher a partir del patron, la cadena como parametro
Matcher encaja = patron.matcher("aabmanoloaabmanoloabmanolob");
// invocamos el metodo replaceAll
String resultado = encaja.replaceAll("-");
System.out.println(resultado);
}
}

El siguiente ejemplo trata de validar una cadena que supuestamente contiene un email, lo hace con cuatro
comprobaciones, con un patrn cada una, la primera que no contenga como primer caracter una @ o un
punto, la segunda que no comience por www. , que contenga una y solo una @ y la cuarta que no contenga
caracteres ilegales:
import java.util.regex.*;
public class ValidacionEmail {
public static void main(String[] args) throws Exception {
String input = "www.?regular.com";
// comprueba que no empieze por punto o @
Pattern p = Pattern.compile("^.|^@");
Matcher m = p.matcher(input);
if (m.find())
System.err.println("Las direcciones email no empiezan por punto o @");
// comprueba que no empieze por www.
p = Pattern.compile("^www.");
m = p.matcher(input);
if (m.find())
System.out.println("Los emails no empiezan por www");
// comprueba que contenga @
p = Pattern.compile("@");
m = p.matcher(input);
if (!m.find())
System.out.println("La cadena no tiene arroba");
// comprueba que no contenga caracteres prohibidos
p = Pattern.compile("[^A-Za-z0-9.@_-~#]+");
m = p.matcher(input);
StringBuffer sb = new StringBuffer();
boolean resultado = m.find();
boolean caracteresIlegales = false;
while(resultado) {
caracteresIlegales = true;
m.appendReplacement(sb, "");
resultado = m.find();
}
// Aade el ultimo segmento de la entrada a la cadena
m.appendTail(sb);
input = sb.toString();
if (caracteresIlegales) {
System.out.println("La cadena contiene caracteres ilegales");
}
}
}

Conclusin
Las expresiones regulares vienen a tapar un hueco en el JDK de Sun que venia siendo solicitado desde hace
mucho tiempo. Con la inclusin de las expresiones regulares Java se convierte, en este tema, en un lenguaje
de programacin tan flexible como otros mas tradicionales en el tema de las expresiones regulares, Perl, Awk,
etc... Hasta ahora la unica opcin para conseguir un efecto parecido era el uso de StringTokenizer en
conjuncin con llamadas repetidas al mtodo charAt que produca un cdigo demasiado enrevesado. Las
expresiones regulares tienen un amplio abanico de posibilidades, principalmente para hacer bsquedas, para
sustituir ocurrencias y para comprobar la buena formacin de cadenas, como se ha visto en el ejemplo del
email.

Lo que viene a continuacin no es mas que la traduccin del la documentacin de una parte de la clase
Pattern. Para una referencia completa puede consultar la versin en ingles de Sun inc. sobre la clase Pattern
enhttp://java.sun.com/j2se/1.4/docs/api/java/util/regex/Pattern.html.
Expresion
Encaja con
Caracteres
x

El caracter x
El caracter

El caracter con valor octal 0n (0 <= n <= 7)

nn

El caracter con valor octal 0nn (0 <= n <= 7)

mnn

El caracter con valor octal 0mnn (0 <= m <= 3, 0 <= n<= 7)

xhh

El caracter con valor hexadecimal 0xhh

uhhhh

El caracter con valor hexadecimal 0xhhhh

El tabulador ('u0009')
Nueva linea (line feed) ('u000A')
Retorno de carro ('u000D')

Nueva pagina ('u000C')

Un beep de alerta (bell) ('u0007')

Escape ('u001B')

cx

El caracter de control que corresponde a x

Intervalos de caracteres
[abc]

a, b, o c

[^abc]

Cualquier caracter excepto a, b, o c (negacion)

[a-zA-Z]

Desde la a a la z o desde la A hasta la Z, incluidos

[a-d[m-p]]

Desde la a hasta la d, o desde la m a la p: [a-dm-p] (union)

[a-z&&[def]]

La d, la e, o la f (interseccion)

[a-z&&[^bc]]

Desde la a hasta la z, excepto la b y la c: [ad-z] (resta)

[a-z&&[^m-p]]

Desde la a hasta la z, excepto desde la m hasta la p: [a-lqz](resta)

Intervalos de caracteres
predefinidos
.

Cualquier caracter (puede que no se incluyan losterminadores de

linea)

Un numero: [0-9]

Todo menos un numero: [^0-9]

Un espacio en blanco: [ x0Bf ]

Todo menos un espacio en blanco: [^s]

Una letra: [a-zA-Z_0-9]

Todo menos letras: [^w]

Intervalos de caracteres POSIX

(solo para US-ASCII)
{lower}

Letras minusculas: [a-z]

{upper}

Letras mayusculas:[A-Z]

{alpha}

Letras:[{lower}{upper}]

{digit}

Numero decimal: [0-9]

{alnum}

Caracter alfanumerico:[{alpha}{digit}]

{punct}

Signos
de
puntuacion:
./:;<=>?@[]^_`{|}~

{graph}

Los caracteres visibles: [{alnum}{punct}]

{print}

Los caracteres imprimibles: [ {graph}]

{blank}

Un espacio o un tabulador: [ ]

{cntrl}

Un caracter de control: [x00-x1Fx7F]

{xdigit}

Un numero hexadecimal: [0-9a-fA-F]

{space}

Un espacio: [ x0Bf ]

uno

de !"#$%&'()*+,-

Limites
^

Comienzo de una linea

Fin de una linea

Fin de palabra

No es fin de palabra

El principio de la cadena de entrada

El final del ultimo patron encajado

El final de la entrada pero el terminador final, si existe

El final de la cadena de entrada

Cuantificadores de cantidad
X?

X, una o ninguna vez

X*

X, cero o ninguna vez

X+

X, una o mas veces

X{n}

X, exactamente n veces

X(n,}

X, por lo menos n veces

X{n,m}

X, por lo menos n veces pero no mas de m veces

Operadores logicos

XY

X seguido de Y

X|Y

XoY

(X)

X, como un grupo

Referencias hacia atras

Lo que haya encajado el nesimo grupo

, Escape, y entrecomillado
El caracter () sirve para preceder a expresiones con valores de escape tal y como se define en la tabla
anterior, asi como para entrecomillar caracteres que de otra manera serian interpretados como caracteres de
escape. De este modo la expresion representa a un unico y { representa a una llave.

Es un error usar un antes de cualquier caracter alfabetico que no corresponda a un caracter de escape, este
tipo de construcciones se reservan para extensiones de futuras versiones del lenguaje de expresiones
regulares. El caracter puede ser usado antes de un caracter no alfabetico a pesar de que el caracter sea parte
de una expresion que no sea de escape.

Terminadores de linea
Un terminador de linea es una secuencia de uno o dos caracteres que indica el final de una linea de la
secuencia de caracteres de entrada. Los siguientes son terminadores de linea:
El caracter de Nueva linea (line feed) (' '),
El caracter de retorno de carro seguido de una nueva linea (" "),
El caracter de retorno de carro unicamente (' '),
El caracter de nueva linea ('u0085'),
El caracter de separacin de linea ('u2028'), o
El caracter de separacion de parrafos ('u2029).
Si el modo UNIX_LINES esta activado entonces los unicos terminadores de linea reconocidos seran
caracteres de nueva linea.
La expresion regular . Representa a cualquier caracter excepto un terminador de linea a no ser que el
modo DOTALL sea especificado.

Grupos
Los grupos se numeran contando los parentesis abiertos de izquierda a derecha. En la expresion((A)(B(C))),
por ejemplo, hay cuatro de estos grupos:
1 ((A)(B(C)))
2 (A)
3 (B(C))
4 (C)
El grupo cero siempre es la expresin completa.