Folha de consulta de regex

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

Os blocos fundamentais são: . (qualquer carácter exceto nova linha), \d (um dígito), \w (um carácter de palavra — letra, dígito ou sublinhado), \s (espaço em branco), as âncoras ^ (início) e $ (fim), e os quantificadores * (zero ou mais), + (um ou mais) e ? (opcional). Assim, \w+ corresponde a uma palavra completa e \d+ a um número inteiro como 2024. Combine-os — ^\d+$ corresponde a uma linha que é apenas dígitos. Cada token nesta tabela inclui um exemplo que pode copiar.

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

As âncoras correspondem a uma posição em vez de um carácter. ^ corresponde ao início da string (ou de cada linha com a flag m), $ corresponde ao fim, \b corresponde a uma fronteira de palavra e \B corresponde a uma não-fronteira. Por exemplo, ^\d+$ corresponde a uma string composta apenas por dígitos, e \bcat\b corresponde à palavra 'cat' mas não ao 'cat' dentro de 'category'. As âncoras são frequentemente confundidas com correspondentes de caracteres — correspondem a posições no texto, não a caracteres específicos.

Os quantificadores indicam quantas vezes o token anterior pode 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. São greedy por predefinição (correspondem ao máximo possível); adicione um ? para os tornar lazy. Por exemplo \d{1,3} corresponde a 1 a 3 dígitos, e o lazy .+? corresponde ao mínimo possível. Os quantificadores lazy são essenciais para fazer corresponder tags HTML ou strings entre aspas.

Os parênteses (…) criam um grupo de captura que 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 não-capturante quando apenas precisa de agrupar para um quantificador, e (?<name>…) para um grupo nomeado como (?<year>\d{4}). Uma retrorreferência como \1 volta a corresponder ao que o grupo 1 capturou, por isso (\w)\1 encontra uma letra duplicada — o 'll' em 'hello'.

Os lookarounds afirmam que o texto está (ou não está) junto à sua correspondência sem o consumir. (?=…) é um lookahead positivo, (?!…) um lookahead negativo, (?<=…) um lookbehind positivo e (?<!…) um lookbehind negativo. Por exemplo, \d+(?=px) corresponde ao 5 em '5px' mas deixa de fora o 'px', e (?<=\$)\d+ corresponde ao 9 em '$9' ao exigir um sinal de dólar precedente. Os lookarounds são uma das funcionalidades que distingue os motores de regex modernos do POSIX grep.

As flags alteram como o padrão completo é aplicado: g (global) encontra todas as correspondências, i torna-o insensível a maiúsculas, m (multiline) faz com que ^ e $ correspondam a cada linha, s (dotall) permite que . corresponda a novas linhas, u ativa Unicode completo e y (sticky) ancora a correspondência numa posição fixa. Em JavaScript adiciona-as após a barra de fecho, por isso /cat/gi corresponde a 'Cat' e 'CAT' em todo o texto. O testador nesta página tem botões de alternância para cada flag para que possa ver o seu efeito em tempo real.

Padrões práticos de partida: email — [\w.+-]+@[\w-]+\.[\w.-]+ ; URL — https?:\/\/[^\s]+ ; número de telefone português — \+?351?[\s-]?[29][\d]{8}, que corresponde a números no formato nacional e internacional. Estes são pragmáticos, não exaustivos — o standard oficial de email é muito mais complexo — por isso teste-os sempre com os seus dados reais usando o testador ao vivo acima, onde cada um está disponível com um único clique na lista de Padrões comuns.

Coloque uma barra invertida antes de qualquer metacarácter para o tratar literalmente. Os caracteres que normalmente precisam de escape são . ^ $ * + ? ( ) [ ] { } | \ e /. Por exemplo \. corresponde a um ponto literal e \$ a um sinal de dólar, por isso \d+\.\d{2} corresponde a um preço como 19,99. Dentro de uma classe de caracteres a maioria deles perde o seu significado especial, por isso [.] também corresponde a um ponto literal sem escape.

A sintaxe central é partilhada, mas os detalhes diferem. O JavaScript nomeia grupos com (?<name>…) enquanto o Python usa (?P<name>…); o Python usa strings brutas como r"\d+" e o Java precisa de barras invertidas duplas em literais de string ("\\d+"). O dotall é a flag s em JS, re.DOTALL em Python e Pattern.DOTALL em Java. A tabela de variantes nesta página resume as diferenças para Python, Java, PCRE e grep para que possa portar um padrão entre linguagens com confiança.

Em Python, as expressões regulares estão no módulo integrado re. Normalmente escreve o padrão como uma string bruta e chama funções como re.search, re.findall ou re.sub — por exemplo re.findall(r"\d+", "a1 b22") devolve ['1', '22']. Os grupos nomeados usam (?P<name>…) e lê-os com match.group('name'). A referência de tokens nesta página aplica-se diretamente ao regex de Python; apenas a API envolvente e alguns nomes de flags diferem do JavaScript.

Use o testador ao vivo no topo desta página: escreva o seu padrão entre as barras, ative as flags de que necessita, e cole uma string de teste. As correspondências destacam-se em tempo real, cada grupo de captura numerado e nomeado é apresentado em baixo, e um padrão inválido mostra uma mensagem de erro em linha em vez de falhar silenciosamente — tudo a correr localmente no seu browser, por isso nada do que colar é enviado para servidores. Ferramentas como regex101.com e regexr.com funcionam de forma semelhante; esta combina a referência e o testador numa só página.

O regex101.com é o padrão da indústria para depuração profunda de regex — suporta várias variantes (PCRE, Python, Java, .NET, Golang) e fornece uma explicação detalhada de cada token no seu padrão. O regexr.com oferece uma experiência semelhante com uma biblioteca comunitária de padrões. Ambas são excelentes ferramentas dedicadas. Esta tabela de referência do UtiloKit é diferente: combina uma tabela de referência de tokens com um testador ao vivo básico na mesma página, para que possa consultar algo e verificá-lo em segundos sem trocar de separadores. Para trabalho complexo de regex em produção, a comparação de variantes e o depurador detalhado do regex101.com são difíceis de superar; para consultas rápidas durante o desenvolvimento, esta página de referência carrega mais depressa e não requer navegação adicional.

O nome vem da teoria das linguagens formais. Na década de 1950, o matemático Stephen Kleene descreveu os 'conjuntos regulares' — linguagens que uma máquina de estados finitos simples pode reconhecer — e a notação que usou para eles ficou conhecida como expressão regular. Os motores de regex modernos acrescentam funcionalidades como retrorreferências e lookarounds que vão além das linguagens estritamente 'regulares', mas o nome histórico perdurou.