6

Os metacaracteres \b e \B são âncoras que marcam os limites de uma string (onde ela começa, termina ou ambos). Funciona segundo o padrão ASCII, contendo apenas [A-Za-z0-9_]. Isto é, só serão identificados as partes da string que contenham este padrão.

Tenho esta variável:

x <- c('melodia', 'bom-dia!', 'bom_dia!', 'radial', 'dia', 'diafragma')
x

E os seguintes códigos com uso de \b:

library(tidyverse)

\bdia marca o início (tudo que começa com dia, segundo o padrão ASCII):

str_subset(string = x, regex(pattern = '\\bdia'))
[1] "bom-dia!"  "dia"       "diafragma"

dia\b marca o final (tudo que termina com dia, segundo o padrão ASCII):

str_subset(string = x, regex(pattern = 'dia\\b'))
[1] "melodia"  "bom-dia!" "bom_dia!" "dia"     

\bdia\b marca o intervalo (tudo que começa e termina com dia, segundo o padrão ASCII):

str_subset(string = x, regex(pattern = '\\bdia\\b'))
[1] "bom-dia!" "dia"     

bom-dia é retornado pois o - não está contido no padrão ASCII informado.

Agora com uso de \B:

str_subset(string = x, regex(pattern = '\\Bdia'))
[1] "melodia"  "bom_dia!" "radial"  

str_subset(string = x, regex(pattern = 'dia\\B'))
[1] "radial"    "diafragma"

str_subset(string = x, regex(pattern = '\\Bdia\\B'))
[1] "radial" 

Como \B é o inverso de \b (assim como ocorre com \w e \W, \s e \S e assim por diante), o retorno foi o esperado, mas por conta de ser um exemplo simples.

Considere a situação a seguir. Tenho a variável:

y <- c('5203. ._2302', '4243424', '52033.23021', '5201w2211', '53210ggsd3333')

E o código:

str_subset(string = y, regex(pattern = '\\b5\\d{3}\\w'))
[1] "52033.23021"   "5201w2211"     "53210ggsd3333"

Que retorna tudo que comece com 5 seguido de 3 digitos com qualquer caracter \\w ([A-Za-z0-9_) em seguida. Ok.

O que não entendo são os códigos abaixo:

str_subset(string = y, regex(pattern = '\\b5\\d{3}\\w\\b'))
[1] "52033.23021"

str_subset(string = y, regex(pattern = '\\b5\\d{3}\\w\\B'))
[1] "5201w2211"     "53210ggsd3333"

Enquanto o primeiro código casa tudo aquilo que termina com \w, deveria casar tudo, não? E, o segundo, ao invés de casar, deveria negar tudo.

Isso é que não entendi.

Portanto,

  • qual a diferença, referente à aplicação e ocasião de uso, de \b e \B?

1 Resposta 1

7

Antes de mais nada, vale esclarecer que o atalho \b (também conhecido como word boundary, algo como "fronteira entre palavras") é um zero-length match (ou um match de tamanho zero): ele não corresponde a um caractere, e sim a uma posição da string (mais detalhes aqui). No caso, é uma posição que possui um caractere alfanumérico antes e não possui um caractere alfanumérico depois (ou vice versa).

Tanto que a regex a\b encontra um match na string "a" (pois o final da string também é uma posição que tem um caractere alfanumérico antes e não tem um depois, veja).

Já o \B é qualquer posição da string que não seja um \b, ou seja, uma posição em que ambos os caracteres - antes e depois desta posição - são alfanuméricos (ou que ambos são não-alfanuméricos).

Inclusive, este é um padrão comum em regex: muitos atalhos como o \w, \d e \s possuem suas "contrapartes negativas", que é basicamente a mesma letra, só que maiúscula: \W é "qualquer caractere que não seja \w", \D é "qualquer caractere que não seja \d", etc. Sendo assim, \B é qualquer posição da string que não corresponde a \b.


Sendo assim, nos seus exemplos ambas as regex começam com \\b5\\d{3}\\w: temos um \b antes do dígito 5, e como 5 é alfanumérico, então este \b só encontra um match se antes do 5 não há um caractere alfanumérico (ou seja, antes do 5 pode ter um caractere não-alfanumérico, ou o 5 pode estar no início da string). Depois do 5 temos 3 dígitos (\d{3}), seguido de \w (que é um atalho que considera letras, números ou _).

O que muda é o que tem depois do \w. No primeiro caso, temos \b. Como \w representa um caractere alfanumérico, então o \b verifica se o que tem depois é não-alfanumérico. Por isso ele só pega o "52033.23021". Veja como esta string corresponde à regex:

   5  203    3     .23021
\b 5  \d{3}  \w  \b

O segundo \b corresponde à posição entre o 3 e o .: de fato é uma posição que possui um caractere alfanumérico antes e não tem um alfanumérico depois.

As demais strings não dão match pelos seguintes motivos:

  • '5203. ._2302': depois do 5 e dos 3 dígitos, há um ponto, que não corresponde a \w
  • '4243424': não tem o 5
  • '5201w2211': tem o 5, os 3 dígitos e a letra w, que corresponde a \w. Mas depois da letra w há o dígito 2, então a posição entre a letra w e o dígito 2 não corresponde a \b.
  • '53210ggsd3333': tem o 5, os 3 dígitos e o dígito 0, que corresponde a \w. Mas depois do 0 há a letra g, então a posição entre o dígito 0 e a letra g não corresponde a \b.

Já a regex '\\b5\\d{3}\\w\\B' tem um \B no final, ou seja, é uma posição na qual antes e depois tem dois caracteres alfanuméricos (ou dois não-alfanuméricos). Por isso ela pega as strings "5201w2211" e "53210ggsd3333":

   5  201    w     2211
\b 5  \d{3}  \w  \B

   5  321    0     ggsd3333
\b 5  \d{3}  \w  \B

O \w pega um caractere alfanumérico, e nesse caso o \B só vai dar match caso o caractere seguinte também seja alfanumérico. Repare acima que na primeira string deu certo porque o \B corresponde à posição entre a letra w e o dígito 2, e na segunda string é a posição entre o dígito 0 e a letra g. E por isso ele não pega as demais strings:

  • '5203. ._2302': depois do 5 e dos 3 dígitos, há um ponto, que não corresponde a \w
  • '4243424': não tem o 5
  • '52033.23021': tem o 5, os 3 dígitos e o dígito 3, que corresponde a \w. Mas depois do dígito 3 há um ponto, que não é alfanumérico. Sendo assim, a posição entre o 3 e o ponto não corresponde a \B.

Por fim, vale esclarecer uma confusão que você fez. \b não corresponde somente ao início ou final da string, e sim a qualquer posição da string que tenha um caractere alfanumérico antes e não tenha um depois (ou vice-versa). Ex:

x <- c('ele podia ter feito isso', 'que dia feliz', 'o diabo que te carregue', 'foi adiado para amanhã')

str_subset(string = x, regex(pattern = '\\bdia'))
[1] "que dia feliz"           "o diabo que te carregue"

str_subset(string = x, regex(pattern = 'dia\\b'))
[1] "ele podia ter feito isso" "que dia feliz"           

str_subset(string = x, regex(pattern = '\\bdia\\b'))
[1] "que dia feliz"

O primeiro caso (\\bdia) pega qualquer palavra que comece com "dia", o segundo caso (dia\\b) pega qualquer palavra que termine com "dia", e o terceiro caso (\\bdia\\b) pega exatamente a palavra "dia". Repare que essas palavras não precisam estar no início ou final da string.

Veja também que nenhuma das regex pega a palavra "adiado", pois as posições antes e depois de "dia" também são alfanuméricos e portanto não correspondem a \b.

Por fim, se quer marcar especificamente o início ou final da string, use os marcadores ^ e $.

0

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 .