19

A linguagem que uso é R.

E, como sugere a teoria de Expressões Regulares, cada linguagem lida de forma diferente com quebras de linhas (\n).

Considere a string a seguir:

text_1 <- c('Olá, meu nome é Stack OverFlow. Sou um site de programação para
        entusiastas e profissionais')

text_1
[1] "Olá, meu nome é Stack OverFlow. Sou um site de programação para\n            entusiastas e profissionais"

Agora, leve em conta o metacaractere ponto (.). Segundo a definição, o ponto dá match com qualquer caractere, inclusive pontos com exceção das quebras de linha.

Mas, a função a seguir pega todo o texto, inclusive o que vem após da quebra (\n):

library(stringr)

str_extract_all(text_1, 
                regex(pattern = 'f', 
                ignore_case = TRUE, 
                multiline = FALSE))

[[1]]
[1] "F" "f"

Eu não entendo o conceito de "quebra de linha". Pelo que li, após a quebra (\n) o ponto (.) não pegaria mais nada. Mas, mesmo com o argumento multiline como FALSE e ele pegou o f após a quebra (\n) da palavra profissional.

Pergunto:

  • O que vem a ser a quebra de linha (\n)?
  • Como ela funciona na linguagem R?
1
  • 2
    O multiline significa que ^ e $ serão início e fim, consecutivamente, de cada linha. Sem o multiline, eles serão início e fim, consecutivamente, de toda a string (texto). Independente se tem quebras de linha ou não. Não faço a mínima ideia de como funcionam as quebras de linha na RegEx do r. Vamos aguardar o @hkotsubo pra esclarecer isso (tem que invocá-lo). Kkkkk
    – LipESprY
    Commented 1/04/2019 às 22:19

3 Respostas 3

21
+50

Primeiro vamos ver o que diz a documentação da função str_extract_all:

Extract All Pieces Of A String That Match A Pattern.

Extrai todas as partes de uma string que correspondem a um padrão

Pois bem, a regex que você usou tem como padrão a letra f:

regex(pattern = 'f', ...

Um ponto importante a se notar é que esta regex não possui o metacaractere ponto. Ela só possui a letra f, o que quer dizer que str_extract_all vai retornar todas as letras f da string. E como a opção ignore_case está ativada, ela retorna tanto letras maiúsculas quanto minúsculas. Por isso que o seu código retorna F e f.


Para ver o ponto "em acão", você poderia usar algo como:

str_extract_all(text_1, 
                regex(pattern = 'f.*', 
                ignore_case = TRUE, 
                multiline = FALSE))

Veja este exemplo rodando no Ideone.com. Agora a regex é f.* (a letra f seguida de zero ou mais caracteres). O retorno é:

[1] "Flow. Sou um site de programação para"
[2] "fissionais" 

Como a opção ignore_case continua ativada, a regex considera tanto f quanto F. E o .* pega zero ou mais caracteres (qualquer caractere que não seja uma quebra de linha).

A primeira ocorrência começa no F e vai até a quebra de linha (logo depois da palavra "para"). E a segunda ocorrência começa no f e vai até o final da string (já que não tem mais quebras de linha).


Repare que em ambos os casos, a função str_extract_all percorre toda a string procurando por algum trecho que corresponde à regex.

A primeira regex é somente a letra f, então a regex busca apenas letras f ou F (já que ignore_case está ativado). Ao percorrer a string, tanto faz se ela tem quebras de linha ou não, eu só quero saber se tem algum f.

Na segunda regex temos f.*, então ela percorre a string procurando por alguma letra f mais .* (zero ou mais ocorrências de qualquer caractere). Só que o ponto não considera as quebras de linha, por isso a regex só pega da letra f (ou F) até a próxima quebra de linha. Depois que encontra uma ocorrência, a regex continua percorrendo a string para ver se existe algum outro trecho que tem f seguido de zero ou mais caracteres (e tanto faz se no meio do caminho ela encontra alguma quebra de linha, o que importa é encontrar algum f e depois pegar os caracteres que correspondam a .*).


Se quiser, pode usar a opção dotall, que faz com que o ponto corresponda à quebras de linha:

str_extract_all(text_1, 
                regex(pattern = 'f.*', 
                ignore_case = TRUE, 
                dotall = TRUE))

Veja este exemplo rodando no Ideone.com. O retorno é:

[1] "Flow. Sou um site de programação para\n        entusiastas e profissionais"

Pois agora o ponto considera as quebras de linha. Isso significa que a regex f.* pega o primeiro f (e como ignore_case está ativado, o primeiro a ser encontrado é o F), e depois pega todos os caracteres (inclusive as quebras de linha) até o final da string.

Só lembrando que o quantificador * é ganancioso e tenta pegar o maior número possível de caracteres que puder. Como agora o ponto corresponde a qualquer caractere, inclusive quebras de linha, ele acaba indo até o final da string e pegando tudo.


Repare que a opção multiline não faz diferença neste caso, como já explicado na resposta do Marcos.

E respondendo à pergunta do título, a quebra de linha é um caractere como qualquer outro. O que muda para uma regex é o significado dela de acordo com determinadas configurações: ignore_case muda o significado do f (pois passa a considerar também o F) e dotall muda o significado do ponto (passa a considerar quebras de linha).

10

mesmo com o argumento multiline como FALSE e ele pegou o f após a quebra (\n) da palavra profissional.

O argumento multiline simplesmente muda o comportamento de ^ e $ numa expressão regular para que o padrão especificado entre eles comece no início e termine no fim de cada linha. Normalmente, eles esperam o padrão do início ao fim de toda a string.

Por isso, no seu exemplo a função ainda vai procurar por matches do padrão f por toda a string, da mesma forma.

Ex. 1: Com multiline = FALSE, se tentassemos capturar o padrão ^.*$, por exemplo, não teríamos qualquer match . Isso porque temos um caractere \n entre o início e o fim da string, que não condiz com o padrão .* do início ao fim da string.

Ex.2: Com multiline = TRUE, agora ^.*$ busca por padrões .* que começam no início e terminam no fim de cada linha (perceba a diferença para "procurar esse padrão entre o início e fim de cada linha"). Nesse caso, teremos dois matches; Olá, meu nome é Stack OverFlow. Sou um site de programação para e entusiastas e profissionais.

O que vem a ser a quebra de linha (\n)? Como ela funciona na linguagem r?

É um caractere especial que representa o término de uma linha.

Usando o seu contexto como exemplo de uso, com multiline = TRUE, a expressão regular "sabe" que chegou ao fim de uma linha por "encontrar" o caractere \n.

O funcionamento do caractere \n não varia de linguagem para linguagem de programação, ou entre implementações de avaliadores de expressões regulares. Trata-se de um caractere, assim como a ou b. Inclusive, o seu código é 0d10 na tabela ASCII.

No mais, recomendo também um site legal para você experimentar e aprender mais sobre regex, o RegExr.

-3

Não domino muito o RegExp, mas acho que poderia tentar algo assim:

"(.|\s)*" ou \n

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .