Folha de consulta de Regex

Uma expressão regular (regex) é um padrão compacto que descreve um conjunto de strings, usado para buscar, combinar e substituir texto. Por exemplo, o padrão \d{3}-\d{4} encontra um fragmento de telefone como 555-1234, porque \d significa 'um dígito' e {3} significa 'exatamente três deles'. O regex é usado em busca e substituição, validação de formulários e análise de logs em praticamente todas as linguagens de programação e editores de código. O testador ao vivo no topo desta página permite experimentar qualquer padrão na hora.

Os elementos fundamentais são: . (qualquer caractere exceto nova linha), \d (um dígito), \w (um caractere de palavra — letra, dígito ou underscore), \s (espaço em branco), as âncoras ^ (início) e $ (fim), e os quantificadores * (zero ou mais), + (um ou mais) e ? (opcional). Então \w+ corresponde a uma palavra inteira e \d+ corresponde a um número completo como 2024. Combine-os — ^\d+$ encontra uma linha composta apenas de dígitos. Cada token neste guia inclui um exemplo que você pode copiar.

\d encontra qualquer dígito de 0 a 9; \w encontra um caractere de palavra (a–z, A–Z, 0–9 ou _); \s encontra espaço em branco (espaço, tabulação ou nova linha). Suas versões maiúsculas são as negações: \D é um não-dígito, \W é um não-caractere de palavra e \S é um não-espaço. Por exemplo, no texto 'a5 b', \d encontra 5, \w encontra a, 5 e b, e \s encontra o espaço entre eles. Essas três classes abreviam cobrem a grande maioria dos padrões de regex do dia a dia.

Âncoras correspondem a uma posição, não a um caractere. ^ encontra o início da string (ou de cada linha com a flag m), $ encontra o fim, \b encontra um limite de palavra e \B encontra uma não-fronteira. Por exemplo, ^\d+$ encontra uma string formada apenas de dígitos, e \bcat\b encontra a palavra 'cat' mas não o 'cat' dentro de 'category'. As âncoras são frequentemente confundidas com correspondências de caractere — elas correspondem a posições no texto, não a caracteres específicos.

Quantificadores dizem quantas vezes o token anterior pode se repetir: * é zero ou mais, + é um ou mais, ? é zero ou um (opcional), {n} é exatamente n, {n,} é n ou mais, e {n,m} é entre n e m. Por padrão são gananciosos (correspondem ao máximo possível); adicione um ? para torná-los lazy. Por exemplo, \d{1,3} encontra de 1 a 3 dígitos, e o lazy .+? corresponde ao mínimo possível. Quantificadores lazy são essenciais para encontrar tags HTML ou strings entre aspas.

Parênteses (…) criam um grupo de captura que você pode extrair ou reutilizar — (\d{4})-(\d{2}) captura o ano no grupo 1 e o mês no grupo 2 de '2024-06'. Use (?:…) para um grupo sem captura quando só precisar agrupar para um quantificador, e (?<nome>…) para um grupo nomeado como (?<ano>\d{4}). Uma referência retroativa como \1 re-encontra o que o grupo 1 capturou, então (\w)\1 encontra uma letra dobrada — o 'll' em 'hello'.

Lookarounds verificam se um texto está (ou não está) ao lado da sua correspondência sem consumi-lo. (?=…) é um lookahead positivo, (?!…) um lookahead negativo, (?<=…) um lookbehind positivo e (?<!…) um lookbehind negativo. Por exemplo, \d+(?=px) encontra o 5 em '5px' mas deixa o 'px' de fora, e (?<=R\$)\d+ encontra o 9 em 'R$9' exigindo um sinal de real antes. Lookarounds são um dos recursos que diferenciam os motores de regex modernos do grep POSIX.

Flags mudam como o padrão inteiro é aplicado: g (global) encontra todas as correspondências, i torna a busca case-insensitive, m (multiline) faz ^ e $ corresponderem a cada linha, s (dotall) permite que . encontre novas linhas, u ativa o Unicode completo e y (sticky) ancora a busca em uma posição fixa. Em JavaScript você as adiciona depois da barra de fechamento, então /cat/gi encontra 'Cat' e 'CAT' em todo o texto. O testador desta página tem botões de alternância para cada flag para que você veja o efeito ao vivo.

Padrões práticos de partida: e-mail — [\w.+-]+@[\w-]+\.[\w.-]+ ; URL — https?:\/\/[^\s]+ ; telefone brasileiro — \(?\d{2}\)?[-.\s]?\d{4,5}[-.\s]?\d{4}, que corresponde a (11) 98765-4321 e 11 3456-7890. São padrões pragmáticos, não exaustivos — o padrão oficial de e-mail é muito mais complexo — então sempre os teste com seus dados reais usando o testador ao vivo acima, onde cada um é um clique na lista de padrões comuns.

Coloque uma barra invertida antes de qualquer metacaractere para encontrá-lo literalmente. Os caracteres que geralmente precisam de escape são . ^ $ * + ? ( ) [ ] { } | \ e /. Por exemplo, \. encontra um ponto literal e \$ encontra um cifrão, então \d+\.\d{2} encontra um preço como 19,99. Dentro de uma classe de caracteres a maioria perde seu significado especial, então [.] também encontra um ponto literal sem escapar.

A sintaxe central é compartilhada, mas os detalhes diferem. O JavaScript nomeia grupos com (?<nome>…) enquanto o Python usa (?P<nome>…); o Python usa raw strings como r"\d+" e o Java exige barras invertidas dobradas em string literals ("\\d+"). O dotall é a flag s no JS, re.DOTALL no Python e Pattern.DOTALL no Java. A tabela de flavors desta página resume as diferenças para Python, Java, PCRE e grep para que você possa migrar um padrão entre linguagens com confiança.

Em Python, as expressões regulares estão no módulo built-in re. Você geralmente escreve o padrão como uma raw string e chama funções como re.search, re.findall ou re.sub — por exemplo re.findall(r"\d+", "a1 b22") retorna ['1', '22']. Grupos nomeados usam (?P<nome>…) e você os lê com match.group('nome'). A referência de tokens desta página se aplica diretamente ao regex Python; apenas a API ao redor e alguns nomes de flags diferem do JavaScript.

Use o testador ao vivo no topo desta página: digite seu padrão entre as barras, ative as flags que precisar e cole um texto de teste. As correspondências são destacadas em tempo real, cada grupo de captura numerado e nomeado é listado abaixo, e um padrão inválido mostra uma mensagem de erro clara em vez de falhar silenciosamente — tudo rodando localmente no seu navegador, então nada do que você cola é enviado a nenhum servidor. Ferramentas como regex101.com e regexr.com funcionam de forma parecida; esta combina a referência e o testador em uma só página.

O regex101.com é o padrão da indústria para depuração avançada de regex — suporta vários flavors (PCRE, Python, Java, .NET, Golang) e fornece uma explicação detalhada de cada token do seu padrão. O regexr.com oferece uma experiência parecida com uma biblioteca comunitária de padrões. Ambos são ferramentas dedicadas excelentes. Este guia do UtiloKit é diferente: combina uma tabela de referência de tokens com um testador ao vivo básico na mesma página, para que você possa consultar algo e verificar em segundos sem trocar de aba. Para trabalho avançado de regex em produção, o comparador de flavors e o depurador detalhado do regex101.com são difíceis de superar; para consultas rápidas durante o desenvolvimento, esta página de referência carrega mais rápido e não exige nenhuma navegação.

O nome vem da teoria formal das linguagens. Na década de 1950, o matemático Stephen Kleene descreveu os 'conjuntos regulares' — linguagens que uma máquina de estados finita simples consegue reconhecer — e a notação que ele usou para eles ficou conhecida como expressão regular. Os motores de regex modernos adicionam recursos como referências retroativas e lookarounds que vão além das linguagens estritamente 'regulares', mas o nome histórico permaneceu.