Espressões Regulares

Uma Expressão Regular, conhecidas por REGEX, é um método formal de se especificar um padrão de texto.

É uma composição de símbolos, caracteres com funções especiais, chamados “metacaracteres” que, agrupados formam uma sequencia, ou expressão regular

Uma expressão regular é testada em textos e retorna sucesso caso este texto obedeça exatamente a todas as suas condições. Neste caso dizemos que o texto “casa” com (match) a expressão regular.

As REGEXs servem para se dizer algo abrangente de forma mais rigorosa. Definido o padrão, tem-se uma lista (finita ou não) de possibilidades de casamento.

Exemplo: [rgp]ato pode casar com “rato”, “gato” e “pato” Mas não "mato"

Utilidade das Expressões Regulares e a busca de padrões em textos

• Data e Horário
• Número IP,Sites
• Endereço de e-mail
• URL
• Número de telefone, CPF, cartão de crédito

Vários Linguagens de Programação, editores de texto têm suporte às REGEXs.

Para exemplificar o uso das REGEX em R , usaremos as funções grep, gsub

 
cores <- colors()
grep("blue",cores)

Retorna o índice de todos os elementos do vetor cores que possuem "blue"

Alguns Metacaracteres

• Circunflexo ^ - Simboliza o início de uma linha

   
  xxxxxxxxxx
  grep("^blue",cores) 
  

  ​ ​ Retorna o índice de todos os elementos do vetor cores começados por "blue"

• Cifrão $ - Simboliza o fim de uma linha

   
  xxxxxxxxxx
  grep("yellow$",cores,value=T)
  

  ​

Retorna o índice de todos os elementos do vetor cores terminados por "yellow"

• Listas [] - Simboliza conjunto de caracteres numa determinada posição.

 
xxxxxxxxxx
    grep("^[aeiou]",cores,value=T)

cores começadas por vogais

 
xxxxxxxxxx
    grep("[0-9]$",cores,value=T)

cores terminadas por numeros

• Ponto . - Simboliza “qualquer” caracteres numa determinada posição

 
xxxxxxxxxx
    grep("grey..",cores,value=T)

cor cinza seguida por dois caracteres qualquer

 
xxxxxxxxxx
    grep("^....$",cores,value=T)

cores com apenas 4 caracteres

• Chaves {} - Simboliza a quantidade de repetições do caractere anterior

  grep("e{2}",cores,value=T) padrão onde cores tem dois "e" seguidos

grep("[0-9]{3,5}",cores ,value=T) onde cores tem de 3 a 5 numeros

• Curinga * - Simboliza “qualquer coisa”, inclusive nada.

   
  xxxxxxxxxx
  grep("^[s].*[0-9]$",cores,value=T)
  

  cores começadas por "s" e terminadas por numero!

• Operador logico OU (OR) '|'

Para fazer um OU lógico, onde buscamos uma coisa OU outra, deve-se usar o | e delimitar as opções entre parênteses: ​

 
xxxxxxxxxx
    grep("^[w]|^[y]",cores,value=T)

Não deve conter espaços! Nesse exemplo é o mesmo que

 
xxxxxxxxxx
    "^[wy]"

• Operador logico NÃO (NOT) [^]

Pesquisa para retornar as cores que não começam por vogais

 
xxxxxxxxxx
    grep ("^[bcdfghjklmnpqrstvwxyz]",cores)

Ou usar negativa (NOT) usando “^”

 
xxxxxxxxxx
    grep ("^[^aeiou]", cores,value=T)

repare que o não é o ^ que está dentro das chaves!

• Intervalo de Lista [-] - Busca por faixa de caracteres ou números

  grep ("[0-9]{3,}", cores,value=T)

Busca por números de três dígitos ou mais

 
xxxxxxxxxx
grep("[r-z]$",cores,value=T) 

Busca por cores terminadas com letras entre r e z ​
A função gsub faz substituições em strings usando REGEX ​

 
xxxxxxxxxx
teste <- "   caracteres em branco, no incio e final  "
gsub("^\\s+|\\s+$", "", teste)

Existem varias funções que podem usar REGEX, o R utiliza dialeto de REGEX aprenda um pouco mais nessa Vignette