Increase DH_BITS in tls-gnu.c from 768 to 1024.
[exim.git] / doc / doc-txt / pcrepattern.txt
1 This file contains the PCRE man page that describes the regular expressions
2 supported by PCRE version 6.7. Note that not all of the features are relevant
3 in the context of Exim. In particular, the version of PCRE that is compiled
4 with Exim does not include UTF-8 support, there is no mechanism for changing
5 the options with which the PCRE functions are called, and features such as
6 callout are not accessible.
7 -----------------------------------------------------------------------------
8
9 PCREPATTERN(3)                                                  PCREPATTERN(3)
10
11
12 NAME
13        PCRE - Perl-compatible regular expressions
14
15
16 PCRE REGULAR EXPRESSION DETAILS
17
18        The  syntax  and semantics of the regular expressions supported by PCRE
19        are described below. Regular expressions are also described in the Perl
20        documentation  and  in  a  number  of books, some of which have copious
21        examples.  Jeffrey Friedl's "Mastering Regular Expressions",  published
22        by  O'Reilly, covers regular expressions in great detail. This descrip-
23        tion of PCRE's regular expressions is intended as reference material.
24
25        The original operation of PCRE was on strings of  one-byte  characters.
26        However,  there is now also support for UTF-8 character strings. To use
27        this, you must build PCRE to  include  UTF-8  support,  and  then  call
28        pcre_compile()  with  the  PCRE_UTF8  option.  How this affects pattern
29        matching is mentioned in several places below. There is also a  summary
30        of  UTF-8  features  in  the  section on UTF-8 support in the main pcre
31        page.
32
33        The remainder of this document discusses the  patterns  that  are  sup-
34        ported  by  PCRE when its main matching function, pcre_exec(), is used.
35        From  release  6.0,   PCRE   offers   a   second   matching   function,
36        pcre_dfa_exec(),  which matches using a different algorithm that is not
37        Perl-compatible. The advantages and disadvantages  of  the  alternative
38        function, and how it differs from the normal function, are discussed in
39        the pcrematching page.
40
41        A regular expression is a pattern that is  matched  against  a  subject
42        string  from  left  to right. Most characters stand for themselves in a
43        pattern, and match the corresponding characters in the  subject.  As  a
44        trivial example, the pattern
45
46          The quick brown fox
47
48        matches a portion of a subject string that is identical to itself. When
49        caseless matching is specified (the PCRE_CASELESS option), letters  are
50        matched  independently  of case. In UTF-8 mode, PCRE always understands
51        the concept of case for characters whose values are less than  128,  so
52        caseless  matching  is always possible. For characters with higher val-
53        ues, the concept of case is supported if PCRE is compiled with  Unicode
54        property  support,  but  not  otherwise.   If  you want to use caseless
55        matching for characters 128 and above, you must  ensure  that  PCRE  is
56        compiled with Unicode property support as well as with UTF-8 support.
57
58        The  power  of  regular  expressions  comes from the ability to include
59        alternatives and repetitions in the pattern. These are encoded  in  the
60        pattern by the use of metacharacters, which do not stand for themselves
61        but instead are interpreted in some special way.
62
63        There are two different sets of metacharacters: those that  are  recog-
64        nized  anywhere in the pattern except within square brackets, and those
65        that are recognized in square brackets. Outside  square  brackets,  the
66        metacharacters are as follows:
67
68          \      general escape character with several uses
69          ^      assert start of string (or line, in multiline mode)
70          $      assert end of string (or line, in multiline mode)
71          .      match any character except newline (by default)
72          [      start character class definition
73          |      start of alternative branch
74          (      start subpattern
75          )      end subpattern
76          ?      extends the meaning of (
77                 also 0 or 1 quantifier
78                 also quantifier minimizer
79          *      0 or more quantifier
80          +      1 or more quantifier
81                 also "possessive quantifier"
82          {      start min/max quantifier
83
84        Part  of  a  pattern  that is in square brackets is called a "character
85        class". In a character class the only metacharacters are:
86
87          \      general escape character
88          ^      negate the class, but only if the first character
89          -      indicates character range
90          [      POSIX character class (only if followed by POSIX
91                   syntax)
92          ]      terminates the character class
93
94        The following sections describe the use of each of the  metacharacters.
95
96
97 BACKSLASH
98
99        The backslash character has several uses. Firstly, if it is followed by
100        a non-alphanumeric character, it takes away any  special  meaning  that
101        character  may  have.  This  use  of  backslash  as an escape character
102        applies both inside and outside character classes.
103
104        For example, if you want to match a * character, you write  \*  in  the
105        pattern.   This  escaping  action  applies whether or not the following
106        character would otherwise be interpreted as a metacharacter, so  it  is
107        always  safe  to  precede  a non-alphanumeric with backslash to specify
108        that it stands for itself. In particular, if you want to match a  back-
109        slash, you write \\.
110
111        If  a  pattern is compiled with the PCRE_EXTENDED option, whitespace in
112        the pattern (other than in a character class) and characters between  a
113        # outside a character class and the next newline are ignored. An escap-
114        ing backslash can be used to include a whitespace  or  #  character  as
115        part of the pattern.
116
117        If  you  want  to remove the special meaning from a sequence of charac-
118        ters, you can do so by putting them between \Q and \E. This is  differ-
119        ent  from  Perl  in  that  $  and  @ are handled as literals in \Q...\E
120        sequences in PCRE, whereas in Perl, $ and @ cause  variable  interpola-
121        tion. Note the following examples:
122
123          Pattern            PCRE matches   Perl matches
124
125          \Qabc$xyz\E        abc$xyz        abc followed by the
126                                              contents of $xyz
127          \Qabc\$xyz\E       abc\$xyz       abc\$xyz
128          \Qabc\E\$\Qxyz\E   abc$xyz        abc$xyz
129
130        The  \Q...\E  sequence  is recognized both inside and outside character
131        classes.
132
133    Non-printing characters
134
135        A second use of backslash provides a way of encoding non-printing char-
136        acters  in patterns in a visible manner. There is no restriction on the
137        appearance of non-printing characters, apart from the binary zero  that
138        terminates  a  pattern,  but  when  a pattern is being prepared by text
139        editing, it is usually easier  to  use  one  of  the  following  escape
140        sequences than the binary character it represents:
141
142          \a        alarm, that is, the BEL character (hex 07)
143          \cx       "control-x", where x is any character
144          \e        escape (hex 1B)
145          \f        formfeed (hex 0C)
146          \n        newline (hex 0A)
147          \r        carriage return (hex 0D)
148          \t        tab (hex 09)
149          \ddd      character with octal code ddd, or backreference
150          \xhh      character with hex code hh
151          \x{hhh..} character with hex code hhh..
152
153        The  precise  effect of \cx is as follows: if x is a lower case letter,
154        it is converted to upper case. Then bit 6 of the character (hex 40)  is
155        inverted.   Thus  \cz becomes hex 1A, but \c{ becomes hex 3B, while \c;
156        becomes hex 7B.
157
158        After \x, from zero to two hexadecimal digits are read (letters can  be
159        in  upper  or  lower case). Any number of hexadecimal digits may appear
160        between \x{ and }, but the value of the character  code  must  be  less
161        than 256 in non-UTF-8 mode, and less than 2**31 in UTF-8 mode (that is,
162        the maximum hexadecimal value is 7FFFFFFF). If  characters  other  than
163        hexadecimal  digits  appear between \x{ and }, or if there is no termi-
164        nating }, this form of escape is not recognized.  Instead, the  initial
165        \x will be interpreted as a basic hexadecimal escape, with no following
166        digits, giving a character whose value is zero.
167
168        Characters whose value is less than 256 can be defined by either of the
169        two  syntaxes  for  \x. There is no difference in the way they are han-
170        dled. For example, \xdc is exactly the same as \x{dc}.
171
172        After \0 up to two further octal digits are read. If  there  are  fewer
173        than  two  digits,  just  those  that  are  present  are used. Thus the
174        sequence \0\x\07 specifies two binary zeros followed by a BEL character
175        (code  value 7). Make sure you supply two digits after the initial zero
176        if the pattern character that follows is itself an octal digit.
177
178        The handling of a backslash followed by a digit other than 0 is compli-
179        cated.  Outside a character class, PCRE reads it and any following dig-
180        its as a decimal number. If the number is less than  10,  or  if  there
181        have been at least that many previous capturing left parentheses in the
182        expression, the entire  sequence  is  taken  as  a  back  reference.  A
183        description  of how this works is given later, following the discussion
184        of parenthesized subpatterns.
185
186        Inside a character class, or if the decimal number is  greater  than  9
187        and  there have not been that many capturing subpatterns, PCRE re-reads
188        up to three octal digits following the backslash, ane uses them to gen-
189        erate  a data character. Any subsequent digits stand for themselves. In
190        non-UTF-8 mode, the value of a character specified  in  octal  must  be
191        less  than  \400.  In  UTF-8 mode, values up to \777 are permitted. For
192        example:
193
194          \040   is another way of writing a space
195          \40    is the same, provided there are fewer than 40
196                    previous capturing subpatterns
197          \7     is always a back reference
198          \11    might be a back reference, or another way of
199                    writing a tab
200          \011   is always a tab
201          \0113  is a tab followed by the character "3"
202          \113   might be a back reference, otherwise the
203                    character with octal code 113
204          \377   might be a back reference, otherwise
205                    the byte consisting entirely of 1 bits
206          \81    is either a back reference, or a binary zero
207                    followed by the two characters "8" and "1"
208
209        Note that octal values of 100 or greater must not be  introduced  by  a
210        leading zero, because no more than three octal digits are ever read.
211
212        All the sequences that define a single character value can be used both
213        inside and outside character classes. In addition, inside  a  character
214        class,  the  sequence \b is interpreted as the backspace character (hex
215        08), and the sequence \X is interpreted as the character "X". Outside a
216        character class, these sequences have different meanings (see below).
217
218    Generic character types
219
220        The  third  use of backslash is for specifying generic character types.
221        The following are always recognized:
222
223          \d     any decimal digit
224          \D     any character that is not a decimal digit
225          \s     any whitespace character
226          \S     any character that is not a whitespace character
227          \w     any "word" character
228          \W     any "non-word" character
229
230        Each pair of escape sequences partitions the complete set of characters
231        into  two disjoint sets. Any given character matches one, and only one,
232        of each pair.
233
234        These character type sequences can appear both inside and outside char-
235        acter  classes.  They each match one character of the appropriate type.
236        If the current matching point is at the end of the subject string,  all
237        of them fail, since there is no character to match.
238
239        For  compatibility  with Perl, \s does not match the VT character (code
240        11).  This makes it different from the the POSIX "space" class. The  \s
241        characters  are  HT (9), LF (10), FF (12), CR (13), and space (32). (If
242        "use locale;" is included in a Perl script, \s may match the VT charac-
243        ter. In PCRE, it never does.)
244
245        A "word" character is an underscore or any character less than 256 that
246        is a letter or digit. The definition of  letters  and  digits  is  con-
247        trolled  by PCRE's low-valued character tables, and may vary if locale-
248        specific matching is taking place (see "Locale support" in the  pcreapi
249        page).  For  example,  in  the  "fr_FR" (French) locale, some character
250        codes greater than 128 are used for accented  letters,  and  these  are
251        matched by \w.
252
253        In  UTF-8 mode, characters with values greater than 128 never match \d,
254        \s, or \w, and always match \D, \S, and \W. This is true even when Uni-
255        code  character  property support is available. The use of locales with
256        Unicode is discouraged.
257
258    Unicode character properties
259
260        When PCRE is built with Unicode character property support, three addi-
261        tional  escape  sequences  to  match character properties are available
262        when UTF-8 mode is selected. They are:
263
264          \p{xx}   a character with the xx property
265          \P{xx}   a character without the xx property
266          \X       an extended Unicode sequence
267
268        The property names represented by xx above are limited to  the  Unicode
269        script names, the general category properties, and "Any", which matches
270        any character (including newline). Other properties such as "InMusical-
271        Symbols"  are  not  currently supported by PCRE. Note that \P{Any} does
272        not match any characters, so always causes a match failure.
273
274        Sets of Unicode characters are defined as belonging to certain scripts.
275        A  character from one of these sets can be matched using a script name.
276        For example:
277
278          \p{Greek}
279          \P{Han}
280
281        Those that are not part of an identified script are lumped together  as
282        "Common". The current list of scripts is:
283
284        Arabic,  Armenian,  Bengali,  Bopomofo, Braille, Buginese, Buhid, Cana-
285        dian_Aboriginal, Cherokee, Common, Coptic, Cypriot, Cyrillic,  Deseret,
286        Devanagari,  Ethiopic,  Georgian,  Glagolitic, Gothic, Greek, Gujarati,
287        Gurmukhi, Han, Hangul, Hanunoo, Hebrew, Hiragana,  Inherited,  Kannada,
288        Katakana,  Kharoshthi,  Khmer,  Lao, Latin, Limbu, Linear_B, Malayalam,
289        Mongolian, Myanmar, New_Tai_Lue, Ogham, Old_Italic, Old_Persian, Oriya,
290        Osmanya,  Runic,  Shavian, Sinhala, Syloti_Nagri, Syriac, Tagalog, Tag-
291        banwa,  Tai_Le,  Tamil,  Telugu,  Thaana,  Thai,   Tibetan,   Tifinagh,
292        Ugaritic, Yi.
293
294        Each  character has exactly one general category property, specified by
295        a two-letter abbreviation. For compatibility with Perl, negation can be
296        specified  by  including a circumflex between the opening brace and the
297        property name. For example, \p{^Lu} is the same as \P{Lu}.
298
299        If only one letter is specified with \p or \P, it includes all the gen-
300        eral  category properties that start with that letter. In this case, in
301        the absence of negation, the curly brackets in the escape sequence  are
302        optional; these two examples have the same effect:
303
304          \p{L}
305          \pL
306
307        The following general category property codes are supported:
308
309          C     Other
310          Cc    Control
311          Cf    Format
312          Cn    Unassigned
313          Co    Private use
314          Cs    Surrogate
315
316          L     Letter
317          Ll    Lower case letter
318          Lm    Modifier letter
319          Lo    Other letter
320          Lt    Title case letter
321          Lu    Upper case letter
322
323          M     Mark
324          Mc    Spacing mark
325          Me    Enclosing mark
326          Mn    Non-spacing mark
327
328          N     Number
329          Nd    Decimal number
330          Nl    Letter number
331          No    Other number
332
333          P     Punctuation
334          Pc    Connector punctuation
335          Pd    Dash punctuation
336          Pe    Close punctuation
337          Pf    Final punctuation
338          Pi    Initial punctuation
339          Po    Other punctuation
340          Ps    Open punctuation
341
342          S     Symbol
343          Sc    Currency symbol
344          Sk    Modifier symbol
345          Sm    Mathematical symbol
346          So    Other symbol
347
348          Z     Separator
349          Zl    Line separator
350          Zp    Paragraph separator
351          Zs    Space separator
352
353        The  special property L& is also supported: it matches a character that
354        has the Lu, Ll, or Lt property, in other words, a letter  that  is  not
355        classified as a modifier or "other".
356
357        The  long  synonyms  for  these  properties that Perl supports (such as
358        \p{Letter}) are not supported by PCRE, nor is it  permitted  to  prefix
359        any of these properties with "Is".
360
361        No character that is in the Unicode table has the Cn (unassigned) prop-
362        erty.  Instead, this property is assumed for any code point that is not
363        in the Unicode table.
364
365        Specifying  caseless  matching  does not affect these escape sequences.
366        For example, \p{Lu} always matches only upper case letters.
367
368        The \X escape matches any number of Unicode  characters  that  form  an
369        extended Unicode sequence. \X is equivalent to
370
371          (?>\PM\pM*)
372
373        That  is,  it matches a character without the "mark" property, followed
374        by zero or more characters with the "mark"  property,  and  treats  the
375        sequence  as  an  atomic group (see below).  Characters with the "mark"
376        property are typically accents that affect the preceding character.
377
378        Matching characters by Unicode property is not fast, because  PCRE  has
379        to  search  a  structure  that  contains data for over fifteen thousand
380        characters. That is why the traditional escape sequences such as \d and
381        \w do not use Unicode properties in PCRE.
382
383    Simple assertions
384
385        The fourth use of backslash is for certain simple assertions. An asser-
386        tion specifies a condition that has to be met at a particular point  in
387        a  match, without consuming any characters from the subject string. The
388        use of subpatterns for more complicated assertions is described  below.
389        The backslashed assertions are:
390
391          \b     matches at a word boundary
392          \B     matches when not at a word boundary
393          \A     matches at start of subject
394          \Z     matches at end of subject or before newline at end
395          \z     matches at end of subject
396          \G     matches at first matching position in subject
397
398        These  assertions may not appear in character classes (but note that \b
399        has a different meaning, namely the backspace character, inside a char-
400        acter class).
401
402        A  word  boundary is a position in the subject string where the current
403        character and the previous character do not both match \w or  \W  (i.e.
404        one  matches  \w  and the other matches \W), or the start or end of the
405        string if the first or last character matches \w, respectively.
406
407        The \A, \Z, and \z assertions differ from  the  traditional  circumflex
408        and dollar (described in the next section) in that they only ever match
409        at the very start and end of the subject string, whatever  options  are
410        set.  Thus,  they are independent of multiline mode. These three asser-
411        tions are not affected by the PCRE_NOTBOL or PCRE_NOTEOL options, which
412        affect  only the behaviour of the circumflex and dollar metacharacters.
413        However, if the startoffset argument of pcre_exec() is non-zero,  indi-
414        cating that matching is to start at a point other than the beginning of
415        the subject, \A can never match. The difference between \Z  and  \z  is
416        that \Z matches before a newline at the end of the string as well as at
417        the very end, whereas \z matches only at the end.
418
419        The \G assertion is true only when the current matching position is  at
420        the  start point of the match, as specified by the startoffset argument
421        of pcre_exec(). It differs from \A when the  value  of  startoffset  is
422        non-zero.  By calling pcre_exec() multiple times with appropriate argu-
423        ments, you can mimic Perl's /g option, and it is in this kind of imple-
424        mentation where \G can be useful.
425
426        Note,  however,  that  PCRE's interpretation of \G, as the start of the
427        current match, is subtly different from Perl's, which defines it as the
428        end  of  the  previous  match. In Perl, these can be different when the
429        previously matched string was empty. Because PCRE does just  one  match
430        at a time, it cannot reproduce this behaviour.
431
432        If  all  the alternatives of a pattern begin with \G, the expression is
433        anchored to the starting match position, and the "anchored" flag is set
434        in the compiled regular expression.
435
436
437 CIRCUMFLEX AND DOLLAR
438
439        Outside a character class, in the default matching mode, the circumflex
440        character is an assertion that is true only  if  the  current  matching
441        point  is  at the start of the subject string. If the startoffset argu-
442        ment of pcre_exec() is non-zero, circumflex  can  never  match  if  the
443        PCRE_MULTILINE  option  is  unset. Inside a character class, circumflex
444        has an entirely different meaning (see below).
445
446        Circumflex need not be the first character of the pattern if  a  number
447        of  alternatives are involved, but it should be the first thing in each
448        alternative in which it appears if the pattern is ever  to  match  that
449        branch.  If all possible alternatives start with a circumflex, that is,
450        if the pattern is constrained to match only at the start  of  the  sub-
451        ject,  it  is  said  to be an "anchored" pattern. (There are also other
452        constructs that can cause a pattern to be anchored.)
453
454        A dollar character is an assertion that is true  only  if  the  current
455        matching  point  is  at  the  end of the subject string, or immediately
456        before a newline at the end of the string (by default). Dollar need not
457        be  the  last  character of the pattern if a number of alternatives are
458        involved, but it should be the last item in  any  branch  in  which  it
459        appears. Dollar has no special meaning in a character class.
460
461        The  meaning  of  dollar  can be changed so that it matches only at the
462        very end of the string, by setting the  PCRE_DOLLAR_ENDONLY  option  at
463        compile time. This does not affect the \Z assertion.
464
465        The meanings of the circumflex and dollar characters are changed if the
466        PCRE_MULTILINE option is set. When  this  is  the  case,  a  circumflex
467        matches  immediately after internal newlines as well as at the start of
468        the subject string. It does not match after a  newline  that  ends  the
469        string.  A dollar matches before any newlines in the string, as well as
470        at the very end, when PCRE_MULTILINE is set. When newline is  specified
471        as  the  two-character  sequence CRLF, isolated CR and LF characters do
472        not indicate newlines.
473
474        For example, the pattern /^abc$/ matches the subject string  "def\nabc"
475        (where  \n  represents a newline) in multiline mode, but not otherwise.
476        Consequently, patterns that are anchored in single  line  mode  because
477        all  branches  start  with  ^ are not anchored in multiline mode, and a
478        match for circumflex is  possible  when  the  startoffset  argument  of
479        pcre_exec()  is  non-zero. The PCRE_DOLLAR_ENDONLY option is ignored if
480        PCRE_MULTILINE is set.
481
482        Note that the sequences \A, \Z, and \z can be used to match  the  start
483        and  end of the subject in both modes, and if all branches of a pattern
484        start with \A it is always anchored, whether or not  PCRE_MULTILINE  is
485        set.
486
487
488 FULL STOP (PERIOD, DOT)
489
490        Outside a character class, a dot in the pattern matches any one charac-
491        ter in the subject string except (by default) a character  that  signi-
492        fies  the  end  of  a line. In UTF-8 mode, the matched character may be
493        more than one byte long. When a line ending  is  defined  as  a  single
494        character  (CR  or LF), dot never matches that character; when the two-
495        character sequence CRLF is used, dot does not match CR if it is immedi-
496        ately  followed by LF, but otherwise it matches all characters (includ-
497        ing isolated CRs and LFs).
498
499        The behaviour of dot with regard to newlines can  be  changed.  If  the
500        PCRE_DOTALL  option  is  set,  a dot matches any one character, without
501        exception. If newline is defined as the two-character sequence CRLF, it
502        takes two dots to match it.
503
504        The  handling of dot is entirely independent of the handling of circum-
505        flex and dollar, the only relationship being  that  they  both  involve
506        newlines. Dot has no special meaning in a character class.
507
508
509 MATCHING A SINGLE BYTE
510
511        Outside a character class, the escape sequence \C matches any one byte,
512        both in and out of UTF-8 mode. Unlike a dot, it always matches  CR  and
513        LF.  The feature is provided in Perl in order to match individual bytes
514        in UTF-8 mode.  Because it breaks up UTF-8 characters  into  individual
515        bytes,  what remains in the string may be a malformed UTF-8 string. For
516        this reason, the \C escape sequence is best avoided.
517
518        PCRE does not allow \C to appear in  lookbehind  assertions  (described
519        below),  because  in UTF-8 mode this would make it impossible to calcu-
520        late the length of the lookbehind.
521
522
523 SQUARE BRACKETS AND CHARACTER CLASSES
524
525        An opening square bracket introduces a character class, terminated by a
526        closing square bracket. A closing square bracket on its own is not spe-
527        cial. If a closing square bracket is required as a member of the class,
528        it  should  be  the first data character in the class (after an initial
529        circumflex, if present) or escaped with a backslash.
530
531        A character class matches a single character in the subject.  In  UTF-8
532        mode,  the character may occupy more than one byte. A matched character
533        must be in the set of characters defined by the class, unless the first
534        character  in  the  class definition is a circumflex, in which case the
535        subject character must not be in the set defined by  the  class.  If  a
536        circumflex  is actually required as a member of the class, ensure it is
537        not the first character, or escape it with a backslash.
538
539        For example, the character class [aeiou] matches any lower case  vowel,
540        while  [^aeiou]  matches  any character that is not a lower case vowel.
541        Note that a circumflex is just a convenient notation for specifying the
542        characters  that  are in the class by enumerating those that are not. A
543        class that starts with a circumflex is not an assertion: it still  con-
544        sumes  a  character  from the subject string, and therefore it fails if
545        the current pointer is at the end of the string.
546
547        In UTF-8 mode, characters with values greater than 255 can be  included
548        in  a  class as a literal string of bytes, or by using the \x{ escaping
549        mechanism.
550
551        When caseless matching is set, any letters in a  class  represent  both
552        their  upper  case  and lower case versions, so for example, a caseless
553        [aeiou] matches "A" as well as "a", and a caseless  [^aeiou]  does  not
554        match  "A", whereas a caseful version would. In UTF-8 mode, PCRE always
555        understands the concept of case for characters whose  values  are  less
556        than  128, so caseless matching is always possible. For characters with
557        higher values, the concept of case is supported  if  PCRE  is  compiled
558        with  Unicode  property support, but not otherwise.  If you want to use
559        caseless matching for characters 128 and above, you  must  ensure  that
560        PCRE  is  compiled  with Unicode property support as well as with UTF-8
561        support.
562
563        Characters that might indicate  line  breaks  (CR  and  LF)  are  never
564        treated  in  any  special way when matching character classes, whatever
565        line-ending sequence is in use, and whatever setting of the PCRE_DOTALL
566        and PCRE_MULTILINE options is used. A class such as [^a] always matches
567        one of these characters.
568
569        The minus (hyphen) character can be used to specify a range of  charac-
570        ters  in  a  character  class.  For  example,  [d-m] matches any letter
571        between d and m, inclusive. If a  minus  character  is  required  in  a
572        class,  it  must  be  escaped  with a backslash or appear in a position
573        where it cannot be interpreted as indicating a range, typically as  the
574        first or last character in the class.
575
576        It is not possible to have the literal character "]" as the end charac-
577        ter of a range. A pattern such as [W-]46] is interpreted as a class  of
578        two  characters ("W" and "-") followed by a literal string "46]", so it
579        would match "W46]" or "-46]". However, if the "]"  is  escaped  with  a
580        backslash  it is interpreted as the end of range, so [W-\]46] is inter-
581        preted as a class containing a range followed by two other  characters.
582        The  octal or hexadecimal representation of "]" can also be used to end
583        a range.
584
585        Ranges operate in the collating sequence of character values. They  can
586        also   be  used  for  characters  specified  numerically,  for  example
587        [\000-\037]. In UTF-8 mode, ranges can include characters whose  values
588        are greater than 255, for example [\x{100}-\x{2ff}].
589
590        If a range that includes letters is used when caseless matching is set,
591        it matches the letters in either case. For example, [W-c] is equivalent
592        to  [][\\^_`wxyzabc],  matched  caselessly,  and  in non-UTF-8 mode, if
593        character tables for the "fr_FR" locale are in use, [\xc8-\xcb] matches
594        accented  E  characters in both cases. In UTF-8 mode, PCRE supports the
595        concept of case for characters with values greater than 128  only  when
596        it is compiled with Unicode property support.
597
598        The  character types \d, \D, \p, \P, \s, \S, \w, and \W may also appear
599        in a character class, and add the characters that  they  match  to  the
600        class. For example, [\dABCDEF] matches any hexadecimal digit. A circum-
601        flex can conveniently be used with the upper case  character  types  to
602        specify  a  more  restricted  set of characters than the matching lower
603        case type. For example, the class [^\W_] matches any letter  or  digit,
604        but not underscore.
605
606        The  only  metacharacters  that are recognized in character classes are
607        backslash, hyphen (only where it can be  interpreted  as  specifying  a
608        range),  circumflex  (only  at the start), opening square bracket (only
609        when it can be interpreted as introducing a POSIX class name - see  the
610        next  section),  and  the  terminating closing square bracket. However,
611        escaping other non-alphanumeric characters does no harm.
612
613
614 POSIX CHARACTER CLASSES
615
616        Perl supports the POSIX notation for character classes. This uses names
617        enclosed  by  [: and :] within the enclosing square brackets. PCRE also
618        supports this notation. For example,
619
620          [01[:alpha:]%]
621
622        matches "0", "1", any alphabetic character, or "%". The supported class
623        names are
624
625          alnum    letters and digits
626          alpha    letters
627          ascii    character codes 0 - 127
628          blank    space or tab only
629          cntrl    control characters
630          digit    decimal digits (same as \d)
631          graph    printing characters, excluding space
632          lower    lower case letters
633          print    printing characters, including space
634          punct    printing characters, excluding letters and digits
635          space    white space (not quite the same as \s)
636          upper    upper case letters
637          word     "word" characters (same as \w)
638          xdigit   hexadecimal digits
639
640        The  "space" characters are HT (9), LF (10), VT (11), FF (12), CR (13),
641        and space (32). Notice that this list includes the VT  character  (code
642        11). This makes "space" different to \s, which does not include VT (for
643        Perl compatibility).
644
645        The name "word" is a Perl extension, and "blank"  is  a  GNU  extension
646        from  Perl  5.8. Another Perl extension is negation, which is indicated
647        by a ^ character after the colon. For example,
648
649          [12[:^digit:]]
650
651        matches "1", "2", or any non-digit. PCRE (and Perl) also recognize  the
652        POSIX syntax [.ch.] and [=ch=] where "ch" is a "collating element", but
653        these are not supported, and an error is given if they are encountered.
654
655        In UTF-8 mode, characters with values greater than 128 do not match any
656        of the POSIX character classes.
657
658
659 VERTICAL BAR
660
661        Vertical bar characters are used to separate alternative patterns.  For
662        example, the pattern
663
664          gilbert|sullivan
665
666        matches  either "gilbert" or "sullivan". Any number of alternatives may
667        appear, and an empty  alternative  is  permitted  (matching  the  empty
668        string). The matching process tries each alternative in turn, from left
669        to right, and the first one that succeeds is used. If the  alternatives
670        are  within a subpattern (defined below), "succeeds" means matching the
671        rest of the main pattern as well as the alternative in the  subpattern.
672
673
674 INTERNAL OPTION SETTING
675
676        The  settings  of  the  PCRE_CASELESS, PCRE_MULTILINE, PCRE_DOTALL, and
677        PCRE_EXTENDED options can be changed  from  within  the  pattern  by  a
678        sequence  of  Perl  option  letters  enclosed between "(?" and ")". The
679        option letters are
680
681          i  for PCRE_CASELESS
682          m  for PCRE_MULTILINE
683          s  for PCRE_DOTALL
684          x  for PCRE_EXTENDED
685
686        For example, (?im) sets caseless, multiline matching. It is also possi-
687        ble to unset these options by preceding the letter with a hyphen, and a
688        combined setting and unsetting such as (?im-sx), which sets  PCRE_CASE-
689        LESS  and PCRE_MULTILINE while unsetting PCRE_DOTALL and PCRE_EXTENDED,
690        is also permitted. If a  letter  appears  both  before  and  after  the
691        hyphen, the option is unset.
692
693        When  an option change occurs at top level (that is, not inside subpat-
694        tern parentheses), the change applies to the remainder of  the  pattern
695        that follows.  If the change is placed right at the start of a pattern,
696        PCRE extracts it into the global options (and it will therefore show up
697        in data extracted by the pcre_fullinfo() function).
698
699        An option change within a subpattern affects only that part of the cur-
700        rent pattern that follows it, so
701
702          (a(?i)b)c
703
704        matches abc and aBc and no other strings (assuming PCRE_CASELESS is not
705        used).   By  this means, options can be made to have different settings
706        in different parts of the pattern. Any changes made in one  alternative
707        do  carry  on  into subsequent branches within the same subpattern. For
708        example,
709
710          (a(?i)b|c)
711
712        matches "ab", "aB", "c", and "C", even though  when  matching  "C"  the
713        first  branch  is  abandoned before the option setting. This is because
714        the effects of option settings happen at compile time. There  would  be
715        some very weird behaviour otherwise.
716
717        The  PCRE-specific options PCRE_DUPNAMES, PCRE_UNGREEDY, and PCRE_EXTRA
718        can be changed in the same way as the Perl-compatible options by  using
719        the characters J, U and X respectively.
720
721
722 SUBPATTERNS
723
724        Subpatterns are delimited by parentheses (round brackets), which can be
725        nested.  Turning part of a pattern into a subpattern does two things:
726
727        1. It localizes a set of alternatives. For example, the pattern
728
729          cat(aract|erpillar|)
730
731        matches one of the words "cat", "cataract", or  "caterpillar".  Without
732        the  parentheses,  it  would  match "cataract", "erpillar" or the empty
733        string.
734
735        2. It sets up the subpattern as  a  capturing  subpattern.  This  means
736        that,  when  the  whole  pattern  matches,  that portion of the subject
737        string that matched the subpattern is passed back to the caller via the
738        ovector  argument  of pcre_exec(). Opening parentheses are counted from
739        left to right (starting from 1) to obtain  numbers  for  the  capturing
740        subpatterns.
741
742        For  example,  if the string "the red king" is matched against the pat-
743        tern
744
745          the ((red|white) (king|queen))
746
747        the captured substrings are "red king", "red", and "king", and are num-
748        bered 1, 2, and 3, respectively.
749
750        The  fact  that  plain  parentheses  fulfil two functions is not always
751        helpful.  There are often times when a grouping subpattern is  required
752        without  a capturing requirement. If an opening parenthesis is followed
753        by a question mark and a colon, the subpattern does not do any  captur-
754        ing,  and  is  not  counted when computing the number of any subsequent
755        capturing subpatterns. For example, if the string "the white queen"  is
756        matched against the pattern
757
758          the ((?:red|white) (king|queen))
759
760        the captured substrings are "white queen" and "queen", and are numbered
761        1 and 2. The maximum number of capturing subpatterns is 65535, and  the
762        maximum  depth  of  nesting of all subpatterns, both capturing and non-
763        capturing, is 200.
764
765        As a convenient shorthand, if any option settings are required  at  the
766        start  of  a  non-capturing  subpattern,  the option letters may appear
767        between the "?" and the ":". Thus the two patterns
768
769          (?i:saturday|sunday)
770          (?:(?i)saturday|sunday)
771
772        match exactly the same set of strings. Because alternative branches are
773        tried  from  left  to right, and options are not reset until the end of
774        the subpattern is reached, an option setting in one branch does  affect
775        subsequent  branches,  so  the above patterns match "SUNDAY" as well as
776        "Saturday".
777
778
779 NAMED SUBPATTERNS
780
781        Identifying capturing parentheses by number is simple, but  it  can  be
782        very  hard  to keep track of the numbers in complicated regular expres-
783        sions. Furthermore, if an  expression  is  modified,  the  numbers  may
784        change.  To help with this difficulty, PCRE supports the naming of sub-
785        patterns, something that Perl  does  not  provide.  The  Python  syntax
786        (?P<name>...)  is  used. References to capturing parentheses from other
787        parts of the pattern, such as  backreferences,  recursion,  and  condi-
788        tions, can be made by name as well as by number.
789
790        Names  consist  of  up  to  32 alphanumeric characters and underscores.
791        Named capturing parentheses are still  allocated  numbers  as  well  as
792        names. The PCRE API provides function calls for extracting the name-to-
793        number translation table from a compiled pattern. There is also a  con-
794        venience function for extracting a captured substring by name.
795
796        By  default, a name must be unique within a pattern, but it is possible
797        to relax this constraint by setting the PCRE_DUPNAMES option at compile
798        time.  This  can  be useful for patterns where only one instance of the
799        named parentheses can match. Suppose you want to match the  name  of  a
800        weekday,  either as a 3-letter abbreviation or as the full name, and in
801        both cases you want to extract the abbreviation. This pattern (ignoring
802        the line breaks) does the job:
803
804          (?P<DN>Mon|Fri|Sun)(?:day)?|
805          (?P<DN>Tue)(?:sday)?|
806          (?P<DN>Wed)(?:nesday)?|
807          (?P<DN>Thu)(?:rsday)?|
808          (?P<DN>Sat)(?:urday)?
809
810        There  are  five capturing substrings, but only one is ever set after a
811        match.  The convenience  function  for  extracting  the  data  by  name
812        returns  the  substring  for  the first, and in this example, the only,
813        subpattern of that name that matched.  This  saves  searching  to  find
814        which  numbered  subpattern  it  was. If you make a reference to a non-
815        unique named subpattern from elsewhere in the  pattern,  the  one  that
816        corresponds  to  the  lowest number is used. For further details of the
817        interfaces for handling named subpatterns, see the  pcreapi  documenta-
818        tion.
819
820
821 REPETITION
822
823        Repetition  is  specified  by  quantifiers, which can follow any of the
824        following items:
825
826          a literal data character
827          the . metacharacter
828          the \C escape sequence
829          the \X escape sequence (in UTF-8 mode with Unicode properties)
830          an escape such as \d that matches a single character
831          a character class
832          a back reference (see next section)
833          a parenthesized subpattern (unless it is an assertion)
834
835        The general repetition quantifier specifies a minimum and maximum  num-
836        ber  of  permitted matches, by giving the two numbers in curly brackets
837        (braces), separated by a comma. The numbers must be  less  than  65536,
838        and the first must be less than or equal to the second. For example:
839
840          z{2,4}
841
842        matches  "zz",  "zzz",  or  "zzzz". A closing brace on its own is not a
843        special character. If the second number is omitted, but  the  comma  is
844        present,  there  is  no upper limit; if the second number and the comma
845        are both omitted, the quantifier specifies an exact number of  required
846        matches. Thus
847
848          [aeiou]{3,}
849
850        matches at least 3 successive vowels, but may match many more, while
851
852          \d{8}
853
854        matches  exactly  8  digits. An opening curly bracket that appears in a
855        position where a quantifier is not allowed, or one that does not  match
856        the  syntax of a quantifier, is taken as a literal character. For exam-
857        ple, {,6} is not a quantifier, but a literal string of four characters.
858
859        In  UTF-8  mode,  quantifiers  apply to UTF-8 characters rather than to
860        individual bytes. Thus, for example, \x{100}{2} matches two UTF-8 char-
861        acters, each of which is represented by a two-byte sequence. Similarly,
862        when Unicode property support is available, \X{3} matches three Unicode
863        extended  sequences,  each of which may be several bytes long (and they
864        may be of different lengths).
865
866        The quantifier {0} is permitted, causing the expression to behave as if
867        the previous item and the quantifier were not present.
868
869        For  convenience  (and  historical compatibility) the three most common
870        quantifiers have single-character abbreviations:
871
872          *    is equivalent to {0,}
873          +    is equivalent to {1,}
874          ?    is equivalent to {0,1}
875
876        It is possible to construct infinite loops by  following  a  subpattern
877        that can match no characters with a quantifier that has no upper limit,
878        for example:
879
880          (a?)*
881
882        Earlier versions of Perl and PCRE used to give an error at compile time
883        for  such  patterns. However, because there are cases where this can be
884        useful, such patterns are now accepted, but if any  repetition  of  the
885        subpattern  does in fact match no characters, the loop is forcibly bro-
886        ken.
887
888        By default, the quantifiers are "greedy", that is, they match  as  much
889        as  possible  (up  to  the  maximum number of permitted times), without
890        causing the rest of the pattern to fail. The classic example  of  where
891        this gives problems is in trying to match comments in C programs. These
892        appear between /* and */ and within the comment,  individual  *  and  /
893        characters  may  appear. An attempt to match C comments by applying the
894        pattern
895
896          /\*.*\*/
897
898        to the string
899
900          /* first comment */  not comment  /* second comment */
901
902        fails, because it matches the entire string owing to the greediness  of
903        the .*  item.
904
905        However,  if  a quantifier is followed by a question mark, it ceases to
906        be greedy, and instead matches the minimum number of times possible, so
907        the pattern
908
909          /\*.*?\*/
910
911        does  the  right  thing with the C comments. The meaning of the various
912        quantifiers is not otherwise changed,  just  the  preferred  number  of
913        matches.   Do  not  confuse this use of question mark with its use as a
914        quantifier in its own right. Because it has two uses, it can  sometimes
915        appear doubled, as in
916
917          \d??\d
918
919        which matches one digit by preference, but can match two if that is the
920        only way the rest of the pattern matches.
921
922        If the PCRE_UNGREEDY option is set (an option which is not available in
923        Perl),  the  quantifiers are not greedy by default, but individual ones
924        can be made greedy by following them with a  question  mark.  In  other
925        words, it inverts the default behaviour.
926
927        When  a  parenthesized  subpattern  is quantified with a minimum repeat
928        count that is greater than 1 or with a limited maximum, more memory  is
929        required  for  the  compiled  pattern, in proportion to the size of the
930        minimum or maximum.
931
932        If a pattern starts with .* or .{0,} and the PCRE_DOTALL option (equiv-
933        alent  to Perl's /s) is set, thus allowing the . to match newlines, the
934        pattern is implicitly anchored, because whatever follows will be  tried
935        against  every character position in the subject string, so there is no
936        point in retrying the overall match at any position  after  the  first.
937        PCRE normally treats such a pattern as though it were preceded by \A.
938
939        In  cases  where  it  is known that the subject string contains no new-
940        lines, it is worth setting PCRE_DOTALL in order to  obtain  this  opti-
941        mization, or alternatively using ^ to indicate anchoring explicitly.
942
943        However,  there is one situation where the optimization cannot be used.
944        When .*  is inside capturing parentheses that  are  the  subject  of  a
945        backreference  elsewhere in the pattern, a match at the start may fail,
946        and a later one succeed. Consider, for example:
947
948          (.*)abc\1
949
950        If the subject is "xyz123abc123" the match point is the fourth  charac-
951        ter. For this reason, such a pattern is not implicitly anchored.
952
953        When a capturing subpattern is repeated, the value captured is the sub-
954        string that matched the final iteration. For example, after
955
956          (tweedle[dume]{3}\s*)+
957
958        has matched "tweedledum tweedledee" the value of the captured substring
959        is  "tweedledee".  However,  if there are nested capturing subpatterns,
960        the corresponding captured values may have been set in previous  itera-
961        tions. For example, after
962
963          /(a|(b))+/
964
965        matches "aba" the value of the second captured substring is "b".
966
967
968 ATOMIC GROUPING AND POSSESSIVE QUANTIFIERS
969
970        With both maximizing and minimizing repetition, failure of what follows
971        normally causes the repeated item to be re-evaluated to see if  a  dif-
972        ferent number of repeats allows the rest of the pattern to match. Some-
973        times it is useful to prevent this, either to change the nature of  the
974        match,  or  to  cause it fail earlier than it otherwise might, when the
975        author of the pattern knows there is no point in carrying on.
976
977        Consider, for example, the pattern \d+foo when applied to  the  subject
978        line
979
980          123456bar
981
982        After matching all 6 digits and then failing to match "foo", the normal
983        action of the matcher is to try again with only 5 digits  matching  the
984        \d+  item,  and  then  with  4,  and  so on, before ultimately failing.
985        "Atomic grouping" (a term taken from Jeffrey  Friedl's  book)  provides
986        the  means for specifying that once a subpattern has matched, it is not
987        to be re-evaluated in this way.
988
989        If we use atomic grouping for the previous example, the  matcher  would
990        give up immediately on failing to match "foo" the first time. The nota-
991        tion is a kind of special parenthesis, starting with  (?>  as  in  this
992        example:
993
994          (?>\d+)foo
995
996        This  kind  of  parenthesis "locks up" the  part of the pattern it con-
997        tains once it has matched, and a failure further into  the  pattern  is
998        prevented  from  backtracking into it. Backtracking past it to previous
999        items, however, works as normal.
1000
1001        An alternative description is that a subpattern of  this  type  matches
1002        the  string  of  characters  that an identical standalone pattern would
1003        match, if anchored at the current point in the subject string.
1004
1005        Atomic grouping subpatterns are not capturing subpatterns. Simple cases
1006        such as the above example can be thought of as a maximizing repeat that
1007        must swallow everything it can. So, while both \d+ and  \d+?  are  pre-
1008        pared  to  adjust  the number of digits they match in order to make the
1009        rest of the pattern match, (?>\d+) can only match an entire sequence of
1010        digits.
1011
1012        Atomic  groups in general can of course contain arbitrarily complicated
1013        subpatterns, and can be nested. However, when  the  subpattern  for  an
1014        atomic group is just a single repeated item, as in the example above, a
1015        simpler notation, called a "possessive quantifier" can  be  used.  This
1016        consists  of  an  additional  + character following a quantifier. Using
1017        this notation, the previous example can be rewritten as
1018
1019          \d++foo
1020
1021        Possessive  quantifiers  are  always  greedy;  the   setting   of   the
1022        PCRE_UNGREEDY option is ignored. They are a convenient notation for the
1023        simpler forms of atomic group. However, there is no difference  in  the
1024        meaning  or  processing  of  a possessive quantifier and the equivalent
1025        atomic group.
1026
1027        The possessive quantifier syntax is an extension to  the  Perl  syntax.
1028        Jeffrey  Friedl originated the idea (and the name) in the first edition
1029        of his book.  Mike McCloskey liked it, so implemented it when he  built
1030        Sun's Java package, and PCRE copied it from there.
1031
1032        When  a  pattern  contains an unlimited repeat inside a subpattern that
1033        can itself be repeated an unlimited number of  times,  the  use  of  an
1034        atomic  group  is  the  only way to avoid some failing matches taking a
1035        very long time indeed. The pattern
1036
1037          (\D+|<\d+>)*[!?]
1038
1039        matches an unlimited number of substrings that either consist  of  non-
1040        digits,  or  digits  enclosed in <>, followed by either ! or ?. When it
1041        matches, it runs quickly. However, if it is applied to
1042
1043          aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
1044
1045        it takes a long time before reporting  failure.  This  is  because  the
1046        string  can be divided between the internal \D+ repeat and the external
1047        * repeat in a large number of ways, and all  have  to  be  tried.  (The
1048        example  uses  [!?]  rather than a single character at the end, because
1049        both PCRE and Perl have an optimization that allows  for  fast  failure
1050        when  a single character is used. They remember the last single charac-
1051        ter that is required for a match, and fail early if it is  not  present
1052        in  the  string.)  If  the pattern is changed so that it uses an atomic
1053        group, like this:
1054
1055          ((?>\D+)|<\d+>)*[!?]
1056
1057        sequences of non-digits cannot be broken, and failure happens  quickly.
1058
1059
1060 BACK REFERENCES
1061
1062        Outside a character class, a backslash followed by a digit greater than
1063        0 (and possibly further digits) is a back reference to a capturing sub-
1064        pattern  earlier  (that is, to its left) in the pattern, provided there
1065        have been that many previous capturing left parentheses.
1066
1067        However, if the decimal number following the backslash is less than 10,
1068        it  is  always  taken  as a back reference, and causes an error only if
1069        there are not that many capturing left parentheses in the  entire  pat-
1070        tern.  In  other words, the parentheses that are referenced need not be
1071        to the left of the reference for numbers less than 10. A "forward  back
1072        reference"  of  this  type can make sense when a repetition is involved
1073        and the subpattern to the right has participated in an  earlier  itera-
1074        tion.
1075
1076        It is not possible to have a numerical "forward back reference" to sub-
1077        pattern whose number is 10 or more. However, a back  reference  to  any
1078        subpattern  is  possible  using named parentheses (see below). See also
1079        the subsection entitled "Non-printing  characters"  above  for  further
1080        details of the handling of digits following a backslash.
1081
1082        A  back  reference matches whatever actually matched the capturing sub-
1083        pattern in the current subject string, rather  than  anything  matching
1084        the subpattern itself (see "Subpatterns as subroutines" below for a way
1085        of doing that). So the pattern
1086
1087          (sens|respons)e and \1ibility
1088
1089        matches "sense and sensibility" and "response and responsibility",  but
1090        not  "sense and responsibility". If caseful matching is in force at the
1091        time of the back reference, the case of letters is relevant. For  exam-
1092        ple,
1093
1094          ((?i)rah)\s+\1
1095
1096        matches  "rah  rah"  and  "RAH RAH", but not "RAH rah", even though the
1097        original capturing subpattern is matched caselessly.
1098
1099        Back references to named subpatterns use the Python  syntax  (?P=name).
1100        We could rewrite the above example as follows:
1101
1102          (?P<p1>(?i)rah)\s+(?P=p1)
1103
1104        A  subpattern  that  is  referenced  by  name may appear in the pattern
1105        before or after the reference.
1106
1107        There may be more than one back reference to the same subpattern. If  a
1108        subpattern  has  not actually been used in a particular match, any back
1109        references to it always fail. For example, the pattern
1110
1111          (a|(bc))\2
1112
1113        always fails if it starts to match "a" rather than "bc". Because  there
1114        may  be  many  capturing parentheses in a pattern, all digits following
1115        the backslash are taken as part of a potential back  reference  number.
1116        If the pattern continues with a digit character, some delimiter must be
1117        used to terminate the back reference. If the  PCRE_EXTENDED  option  is
1118        set,  this  can  be  whitespace.  Otherwise an empty comment (see "Com-
1119        ments" below) can be used.
1120
1121        A back reference that occurs inside the parentheses to which it  refers
1122        fails  when  the subpattern is first used, so, for example, (a\1) never
1123        matches.  However, such references can be useful inside  repeated  sub-
1124        patterns. For example, the pattern
1125
1126          (a|b\1)+
1127
1128        matches any number of "a"s and also "aba", "ababbaa" etc. At each iter-
1129        ation of the subpattern,  the  back  reference  matches  the  character
1130        string  corresponding  to  the previous iteration. In order for this to
1131        work, the pattern must be such that the first iteration does  not  need
1132        to  match the back reference. This can be done using alternation, as in
1133        the example above, or by a quantifier with a minimum of zero.
1134
1135
1136 ASSERTIONS
1137
1138        An assertion is a test on the characters  following  or  preceding  the
1139        current  matching  point that does not actually consume any characters.
1140        The simple assertions coded as \b, \B, \A, \G, \Z,  \z,  ^  and  $  are
1141        described above.
1142
1143        More  complicated  assertions  are  coded as subpatterns. There are two
1144        kinds: those that look ahead of the current  position  in  the  subject
1145        string,  and  those  that  look  behind  it. An assertion subpattern is
1146        matched in the normal way, except that it does not  cause  the  current
1147        matching position to be changed.
1148
1149        Assertion  subpatterns  are  not  capturing subpatterns, and may not be
1150        repeated, because it makes no sense to assert the  same  thing  several
1151        times.  If  any kind of assertion contains capturing subpatterns within
1152        it, these are counted for the purposes of numbering the capturing  sub-
1153        patterns in the whole pattern.  However, substring capturing is carried
1154        out only for positive assertions, because it does not  make  sense  for
1155        negative assertions.
1156
1157    Lookahead assertions
1158
1159        Lookahead assertions start with (?= for positive assertions and (?! for
1160        negative assertions. For example,
1161
1162          \w+(?=;)
1163
1164        matches a word followed by a semicolon, but does not include the  semi-
1165        colon in the match, and
1166
1167          foo(?!bar)
1168
1169        matches  any  occurrence  of  "foo" that is not followed by "bar". Note
1170        that the apparently similar pattern
1171
1172          (?!foo)bar
1173
1174        does not find an occurrence of "bar"  that  is  preceded  by  something
1175        other  than "foo"; it finds any occurrence of "bar" whatsoever, because
1176        the assertion (?!foo) is always true when the next three characters are
1177        "bar". A lookbehind assertion is needed to achieve the other effect.
1178
1179        If you want to force a matching failure at some point in a pattern, the
1180        most convenient way to do it is  with  (?!)  because  an  empty  string
1181        always  matches, so an assertion that requires there not to be an empty
1182        string must always fail.
1183
1184    Lookbehind assertions
1185
1186        Lookbehind assertions start with (?<= for positive assertions and  (?<!
1187        for negative assertions. For example,
1188
1189          (?<!foo)bar
1190
1191        does  find  an  occurrence  of "bar" that is not preceded by "foo". The
1192        contents of a lookbehind assertion are restricted  such  that  all  the
1193        strings it matches must have a fixed length. However, if there are sev-
1194        eral top-level alternatives, they do not all  have  to  have  the  same
1195        fixed length. Thus
1196
1197          (?<=bullock|donkey)
1198
1199        is permitted, but
1200
1201          (?<!dogs?|cats?)
1202
1203        causes  an  error at compile time. Branches that match different length
1204        strings are permitted only at the top level of a lookbehind  assertion.
1205        This  is  an  extension  compared  with  Perl (at least for 5.8), which
1206        requires all branches to match the same length of string. An  assertion
1207        such as
1208
1209          (?<=ab(c|de))
1210
1211        is  not  permitted,  because  its single top-level branch can match two
1212        different lengths, but it is acceptable if rewritten to  use  two  top-
1213        level branches:
1214
1215          (?<=abc|abde)
1216
1217        The  implementation  of lookbehind assertions is, for each alternative,
1218        to temporarily move the current position back by the  fixed  width  and
1219        then try to match. If there are insufficient characters before the cur-
1220        rent position, the match is deemed to fail.
1221
1222        PCRE does not allow the \C escape (which matches a single byte in UTF-8
1223        mode)  to appear in lookbehind assertions, because it makes it impossi-
1224        ble to calculate the length of the lookbehind. The \X escape, which can
1225        match different numbers of bytes, is also not permitted.
1226
1227        Atomic  groups can be used in conjunction with lookbehind assertions to
1228        specify efficient matching at the end of the subject string. Consider a
1229        simple pattern such as
1230
1231          abcd$
1232
1233        when  applied  to  a  long string that does not match. Because matching
1234        proceeds from left to right, PCRE will look for each "a" in the subject
1235        and  then  see  if what follows matches the rest of the pattern. If the
1236        pattern is specified as
1237
1238          ^.*abcd$
1239
1240        the initial .* matches the entire string at first, but when this  fails
1241        (because there is no following "a"), it backtracks to match all but the
1242        last character, then all but the last two characters, and so  on.  Once
1243        again  the search for "a" covers the entire string, from right to left,
1244        so we are no better off. However, if the pattern is written as
1245
1246          ^(?>.*)(?<=abcd)
1247
1248        or, equivalently, using the possessive quantifier syntax,
1249
1250          ^.*+(?<=abcd)
1251
1252        there can be no backtracking for the .* item; it  can  match  only  the
1253        entire  string.  The subsequent lookbehind assertion does a single test
1254        on the last four characters. If it fails, the match fails  immediately.
1255        For  long  strings, this approach makes a significant difference to the
1256        processing time.
1257
1258    Using multiple assertions
1259
1260        Several assertions (of any sort) may occur in succession. For example,
1261
1262          (?<=\d{3})(?<!999)foo
1263
1264        matches "foo" preceded by three digits that are not "999". Notice  that
1265        each  of  the  assertions is applied independently at the same point in
1266        the subject string. First there is a  check  that  the  previous  three
1267        characters  are  all  digits,  and  then there is a check that the same
1268        three characters are not "999".  This pattern does not match "foo" pre-
1269        ceded  by  six  characters,  the first of which are digits and the last
1270        three of which are not "999". For example, it  doesn't  match  "123abc-
1271        foo". A pattern to do that is
1272
1273          (?<=\d{3}...)(?<!999)foo
1274
1275        This  time  the  first assertion looks at the preceding six characters,
1276        checking that the first three are digits, and then the second assertion
1277        checks that the preceding three characters are not "999".
1278
1279        Assertions can be nested in any combination. For example,
1280
1281          (?<=(?<!foo)bar)baz
1282
1283        matches  an occurrence of "baz" that is preceded by "bar" which in turn
1284        is not preceded by "foo", while
1285
1286          (?<=\d{3}(?!999)...)foo
1287
1288        is another pattern that matches "foo" preceded by three digits and  any
1289        three characters that are not "999".
1290
1291
1292 CONDITIONAL SUBPATTERNS
1293
1294        It  is possible to cause the matching process to obey a subpattern con-
1295        ditionally or to choose between two alternative subpatterns,  depending
1296        on  the result of an assertion, or whether a previous capturing subpat-
1297        tern matched or not. The two possible forms of  conditional  subpattern
1298        are
1299
1300          (?(condition)yes-pattern)
1301          (?(condition)yes-pattern|no-pattern)
1302
1303        If  the  condition is satisfied, the yes-pattern is used; otherwise the
1304        no-pattern (if present) is used. If there are more  than  two  alterna-
1305        tives in the subpattern, a compile-time error occurs.
1306
1307        There are three kinds of condition. If the text between the parentheses
1308        consists of a sequence of digits, or a sequence of alphanumeric charac-
1309        ters  and underscores, the condition is satisfied if the capturing sub-
1310        pattern of that number or name has previously matched. There is a  pos-
1311        sible  ambiguity here, because subpattern names may consist entirely of
1312        digits. PCRE looks first for a named subpattern; if it cannot find  one
1313        and  the text consists entirely of digits, it looks for a subpattern of
1314        that number, which must be greater than zero.  Using  subpattern  names
1315        that consist entirely of digits is not recommended.
1316
1317        Consider  the  following  pattern, which contains non-significant white
1318        space to make it more readable (assume the PCRE_EXTENDED option) and to
1319        divide it into three parts for ease of discussion:
1320
1321          ( \( )?    [^()]+    (?(1) \) )
1322
1323        The  first  part  matches  an optional opening parenthesis, and if that
1324        character is present, sets it as the first captured substring. The sec-
1325        ond  part  matches one or more characters that are not parentheses. The
1326        third part is a conditional subpattern that tests whether the first set
1327        of parentheses matched or not. If they did, that is, if subject started
1328        with an opening parenthesis, the condition is true, and so the yes-pat-
1329        tern  is  executed  and  a  closing parenthesis is required. Otherwise,
1330        since no-pattern is not present, the  subpattern  matches  nothing.  In
1331        other  words,  this  pattern  matches  a  sequence  of non-parentheses,
1332        optionally enclosed in parentheses. Rewriting it to use a named subpat-
1333        tern gives this:
1334
1335          (?P<OPEN> \( )?    [^()]+    (?(OPEN) \) )
1336
1337        If the condition is the string (R), and there is no subpattern with the
1338        name R, the condition is satisfied if a recursive call to  the  pattern
1339        or  subpattern  has  been made. At "top level", the condition is false.
1340        This is a PCRE extension.  Recursive patterns are described in the next
1341        section.
1342
1343        If  the  condition  is  not  a sequence of digits or (R), it must be an
1344        assertion.  This may be a positive or negative lookahead or  lookbehind
1345        assertion.  Consider  this  pattern,  again  containing non-significant
1346        white space, and with the two alternatives on the second line:
1347
1348          (?(?=[^a-z]*[a-z])
1349          \d{2}-[a-z]{3}-\d{2}  |  \d{2}-\d{2}-\d{2} )
1350
1351        The condition  is  a  positive  lookahead  assertion  that  matches  an
1352        optional  sequence of non-letters followed by a letter. In other words,
1353        it tests for the presence of at least one letter in the subject.  If  a
1354        letter  is found, the subject is matched against the first alternative;
1355        otherwise it is  matched  against  the  second.  This  pattern  matches
1356        strings  in  one  of the two forms dd-aaa-dd or dd-dd-dd, where aaa are
1357        letters and dd are digits.
1358
1359
1360 COMMENTS
1361
1362        The sequence (?# marks the start of a comment that continues up to  the
1363        next  closing  parenthesis.  Nested  parentheses are not permitted. The
1364        characters that make up a comment play no part in the pattern  matching
1365        at all.
1366
1367        If  the PCRE_EXTENDED option is set, an unescaped # character outside a
1368        character class introduces a  comment  that  continues  to  immediately
1369        after the next newline in the pattern.
1370
1371
1372 RECURSIVE PATTERNS
1373
1374        Consider  the problem of matching a string in parentheses, allowing for
1375        unlimited nested parentheses. Without the use of  recursion,  the  best
1376        that  can  be  done  is  to use a pattern that matches up to some fixed
1377        depth of nesting. It is not possible to  handle  an  arbitrary  nesting
1378        depth.  Perl  provides  a  facility  that allows regular expressions to
1379        recurse (amongst other things). It does this by interpolating Perl code
1380        in the expression at run time, and the code can refer to the expression
1381        itself. A Perl pattern to solve the parentheses problem can be  created
1382        like this:
1383
1384          $re = qr{\( (?: (?>[^()]+) | (?p{$re}) )* \)}x;
1385
1386        The (?p{...}) item interpolates Perl code at run time, and in this case
1387        refers recursively to the pattern in which it appears. Obviously,  PCRE
1388        cannot  support  the  interpolation  of Perl code. Instead, it supports
1389        some special syntax for recursion of the entire pattern, and  also  for
1390        individual subpattern recursion.
1391
1392        The  special item that consists of (? followed by a number greater than
1393        zero and a closing parenthesis is a recursive call of the subpattern of
1394        the  given  number, provided that it occurs inside that subpattern. (If
1395        not, it is a "subroutine" call, which is described  in  the  next  sec-
1396        tion.)  The special item (?R) is a recursive call of the entire regular
1397        expression.
1398
1399        A recursive subpattern call is always treated as an atomic group.  That
1400        is,  once  it  has  matched some of the subject string, it is never re-
1401        entered, even if it contains untried alternatives and there is a subse-
1402        quent matching failure.
1403
1404        This  PCRE  pattern  solves  the nested parentheses problem (assume the
1405        PCRE_EXTENDED option is set so that white space is ignored):
1406
1407          \( ( (?>[^()]+) | (?R) )* \)
1408
1409        First it matches an opening parenthesis. Then it matches any number  of
1410        substrings  which  can  either  be  a sequence of non-parentheses, or a
1411        recursive match of the pattern itself (that is, a  correctly  parenthe-
1412        sized substring).  Finally there is a closing parenthesis.
1413
1414        If  this  were  part of a larger pattern, you would not want to recurse
1415        the entire pattern, so instead you could use this:
1416
1417          ( \( ( (?>[^()]+) | (?1) )* \) )
1418
1419        We have put the pattern into parentheses, and caused the  recursion  to
1420        refer  to them instead of the whole pattern. In a larger pattern, keep-
1421        ing track of parenthesis numbers can be tricky. It may be  more  conve-
1422        nient  to use named parentheses instead. For this, PCRE uses (?P>name),
1423        which is an extension to the Python syntax that  PCRE  uses  for  named
1424        parentheses (Perl does not provide named parentheses). We could rewrite
1425        the above example as follows:
1426
1427          (?P<pn> \( ( (?>[^()]+) | (?P>pn) )* \) )
1428
1429        This particular example pattern contains nested unlimited repeats,  and
1430        so  the  use of atomic grouping for matching strings of non-parentheses
1431        is important when applying the pattern to strings that  do  not  match.
1432        For example, when this pattern is applied to
1433
1434          (aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa()
1435
1436        it  yields "no match" quickly. However, if atomic grouping is not used,
1437        the match runs for a very long time indeed because there  are  so  many
1438        different  ways  the  + and * repeats can carve up the subject, and all
1439        have to be tested before failure can be reported.
1440
1441        At the end of a match, the values set for any capturing subpatterns are
1442        those from the outermost level of the recursion at which the subpattern
1443        value is set.  If you want to obtain  intermediate  values,  a  callout
1444        function can be used (see the next section and the pcrecallout documen-
1445        tation). If the pattern above is matched against
1446
1447          (ab(cd)ef)
1448
1449        the value for the capturing parentheses is  "ef",  which  is  the  last
1450        value  taken  on at the top level. If additional parentheses are added,
1451        giving
1452
1453          \( ( ( (?>[^()]+) | (?R) )* ) \)
1454             ^                        ^
1455             ^                        ^
1456
1457        the string they capture is "ab(cd)ef", the contents of  the  top  level
1458        parentheses.  If there are more than 15 capturing parentheses in a pat-
1459        tern, PCRE has to obtain extra memory to store data during a recursion,
1460        which  it  does  by  using pcre_malloc, freeing it via pcre_free after-
1461        wards. If  no  memory  can  be  obtained,  the  match  fails  with  the
1462        PCRE_ERROR_NOMEMORY error.
1463
1464        Do  not  confuse  the (?R) item with the condition (R), which tests for
1465        recursion.  Consider this pattern, which matches text in  angle  brack-
1466        ets,  allowing for arbitrary nesting. Only digits are allowed in nested
1467        brackets (that is, when recursing), whereas any characters are  permit-
1468        ted at the outer level.
1469
1470          < (?: (?(R) \d++  | [^<>]*+) | (?R)) * >
1471
1472        In  this  pattern, (?(R) is the start of a conditional subpattern, with
1473        two different alternatives for the recursive and  non-recursive  cases.
1474        The (?R) item is the actual recursive call.
1475
1476
1477 SUBPATTERNS AS SUBROUTINES
1478
1479        If the syntax for a recursive subpattern reference (either by number or
1480        by name) is used outside the parentheses to which it refers,  it  oper-
1481        ates  like  a  subroutine in a programming language. An earlier example
1482        pointed out that the pattern
1483
1484          (sens|respons)e and \1ibility
1485
1486        matches "sense and sensibility" and "response and responsibility",  but
1487        not "sense and responsibility". If instead the pattern
1488
1489          (sens|respons)e and (?1)ibility
1490
1491        is  used, it does match "sense and responsibility" as well as the other
1492        two strings. Such references, if given  numerically,  must  follow  the
1493        subpattern  to which they refer. However, named references can refer to
1494        later subpatterns.
1495
1496        Like recursive subpatterns, a "subroutine" call is always treated as an
1497        atomic  group. That is, once it has matched some of the subject string,
1498        it is never re-entered, even if it contains  untried  alternatives  and
1499        there is a subsequent matching failure.
1500
1501
1502 CALLOUTS
1503
1504        Perl has a feature whereby using the sequence (?{...}) causes arbitrary
1505        Perl code to be obeyed in the middle of matching a regular  expression.
1506        This makes it possible, amongst other things, to extract different sub-
1507        strings that match the same pair of parentheses when there is a repeti-
1508        tion.
1509
1510        PCRE provides a similar feature, but of course it cannot obey arbitrary
1511        Perl code. The feature is called "callout". The caller of PCRE provides
1512        an  external function by putting its entry point in the global variable
1513        pcre_callout.  By default, this variable contains NULL, which  disables
1514        all calling out.
1515
1516        Within  a  regular  expression,  (?C) indicates the points at which the
1517        external function is to be called. If you want  to  identify  different
1518        callout  points, you can put a number less than 256 after the letter C.
1519        The default value is zero.  For example, this pattern has  two  callout
1520        points:
1521
1522          (?C1)abc(?C2)def
1523
1524        If the PCRE_AUTO_CALLOUT flag is passed to pcre_compile(), callouts are
1525        automatically installed before each item in the pattern. They  are  all
1526        numbered 255.
1527
1528        During matching, when PCRE reaches a callout point (and pcre_callout is
1529        set), the external function is called. It is provided with  the  number
1530        of  the callout, the position in the pattern, and, optionally, one item
1531        of data originally supplied by the caller of pcre_exec().  The  callout
1532        function  may cause matching to proceed, to backtrack, or to fail alto-
1533        gether. A complete description of the interface to the callout function
1534        is given in the pcrecallout documentation.
1535
1536 Last updated: 06 June 2006
1537 Copyright (c) 1997-2006 University of Cambridge.