Há muito tempo, dei uma olhada a respeito do uso de word boundary, estudando sobre expressões regulares no PHP (PCRE Patterns).
Me deparei com o \b
(que é chamado de word boundary).
Qual é a utilidade dele numa expressão regular?
Stack Overflow em Português é um site de perguntas e respostas para programadores profissionais e entusiastas. Leva apenas um minuto para se inscrever.
Inscreva-se para participar desta comunidadeO \b
(beta) é uma âncora assim como seus primos ^
(alfa) e $
(omega). Uma vez adicionado em um dos lados da regex vai capturar padrão especificado no inicio, final ou palavra exata, isso significa que é válido apenas para letras, números e o underline ([A-Za-z0-9_]
) que é o equivalente ao \w
.
Entrada:
dialogo dia melodia diafragma dialeto radial bom-dia
Âconra no início \bdia
capturar strings(palavras) que contenham no início(não é o início da linha) o padrão dia
, os itens que entram na captura são, dialogo, dia, diafragma, dialeto e bom-dia
Âncora no fim dia\b
captura strings(palavras) onde o padrão especificado está no final, os itens capturados são: dia, melodia e bom-dia
Âncora exata \bdia\b
captura a strings(palavras) extas dia e bom-dia
Referências
Conforme já dito aqui, o atalho \b
é conhecido como word boundary (algo como "fronteira entre palavras").
Um detalhe importante é que ele é um zero-length match (match de tamanho zero), pois ele não corresponde a um caractere, e sim a uma posição da string. Sendo mais específico, ele corresponde a uma posição que possui um caractere alfanumérico antes e não possui um caractere alfanumérico depois (ou vice-versa).
Na verdade a definição usa o termo "word character" em vez de "alphanumeric character", mas como achei que "caractere de palavra" (ou qualquer outra tentativa de tradução) não ficou bom, vou usar o termo "alfanumérico" mesmo. De qualquer forma, mais adiante tem uma discussão mais detalhada sobre esta definição.
Como já dito na outra resposta, o \b
também acaba pegando o início e fim da string, desde que ela comece ou termine com um caractere alfanumérico. Por exemplo, se a string for 'abc.'
, então a regex \b[a-z]
dá match na letra "a", pois o [a-z]
indica uma letra de "a" a "z", e o \b
indica uma posição que tem um caractere alfanumérico depois (no caso, a letra "a") e não possui um caractere alfanumérico antes, pois a letra está no início da string e portanto não tem nenhum caractere antes (interessante notar que não precisa ter um caractere não-alfanumérico antes, basta que não tenha um caractere antes - uma diferença sutil, porém importante na definição do \b
).
Para ser mais preciso, o \b
corresponde a qualquer posição da string que atenda a um desses critérios:
Sua utilidade é para buscar palavras exatas em um texto, como já mencionado na outra resposta.
O problema é que, dependendo da engine/linguagem/ferramenta, a definição de "alfanumérico" pode variar.
No JavaScript, por exemplo, o \b
só considera caracteres ASCII, e portanto não funciona com letras acentuadas:
console.log('café forte'.split(/\b/)) // [ 'caf', 'é ', 'forte' ]
Repare que o split
separou "caf" e "é", pois ele considera que é
não é um alfanumérico (ou sendo mais preciso, não é um word character). Vale notar que o \b
faz a quebra nas posições em que os caracteres antes e depois não são do mesmo "tipo" (um é alfanumérico e o outro não), mas como ele é um zero-length match, nenhum caractere é excluído do resultado final, pois a quebra foi feita apenas na posição à qual o \b
corresponde (é diferente, por exemplo, de split(/,/)
, que faz a separação pela vírgula e também exclui todas as vírgulas do resultado).
Isso ocorre porque o \b
geralmente considera que "alfanumérico" (ou "word character") são os caracteres que correspondem ao atalho \w
. E no JavaScript o \w
só considera os caracteres ASCII (é equivalente a [a-zA-Z0-9_]
). Mesmo que exista a flag u
(que habilita o "modo Unicode"), no JavaScript ele não muda o comportamento do \w
e \b
. Na resposta já citada tem uma alternativa para considerar letras acentuadas.
Ou seja, as posições em que o split
foi feito são:
Em outras linguagens você pode mudar o comportamento do \w
e \b
. Em PHP, por exemplo, isso pode ser obtido usando-se a flag u
, que faz com que o \w
e \b
passem a considerar caracteres acentuados. Ex:
print_r(preg_split('/\b/', 'café forte')); // sem flag, considera somente ASCII
print_r(preg_split('/\b/u', 'café forte')); // com flag u, considera acentos e quaisquer outros caracteres Unicode
A saída do código acima é:
Array
(
[0] =>
[1] => caf
[2] => é
[3] => forte
[4] =>
)
Array
(
[0] =>
[1] => café
[2] =>
[3] => forte
[4] =>
)
Já no Python 3, tanto \w
quanto \b
consideram todos os caracteres Unicode (a menos que se use a flag re.ASCII
):
import re
s = 'café forte'
print(re.split(r'\b', s)) # ['', 'café', ' ', 'forte', '']
print(re.split(r'\b', s, flags=re.ASCII)) # ['', 'caf', 'é ', 'forte', '']
print(re.findall(r'\w+', s)) # ['café', 'forte']
print(re.findall(r'\w+', s, flags=re.ASCII)) # ['caf', 'forte']
Na maioria das engines, o \b
é consistente com \w
, ou seja, ele considera as posições entre dois caracteres da string na qual um deles corresponde a \w
e o outro não. A exceção é Java, na qual \b
por padrão está no "modo Unicode", enquanto \w
por padrão só aceita ASCII. Ex:
String s = "café forte";
Pattern p = Pattern.compile("\\b");
System.out.println(Arrays.toString(p.split(s)));
Matcher matcher = Pattern.compile("\\w+").matcher(s);
while (matcher.find()) {
System.out.println(matcher.group());
}
A saída é:
[café, , forte]
caf
forte
Repare que \b
considerou a letra acentuada corretamente, mas \w
não. Para o \w
considerar o acento, teria que mudar para Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS)
.
Resumindo:
\b
considera uma posição da string, não um caractere (e esta posição leva em conta as regras já mencionadas acima)\w
(geralmente é)