pod/perlrecharclass.pod

   1 =head1 NAME
   2 X<character class>
   3
   4 perlrecharclass - Perl Regular Expression Character Classes
   5
   6 =head1 DESCRIPTION
   7
   8 The top level documentation about Perl regular expressions
   9 is found in L<perlre>.
  10
  11 This manual page discusses the syntax and use of character
  12 classes in Perl regular expressions.
  13
  14 A character class is a way of denoting a set of characters
  15 in such a way that one character of the set is matched.
  16 It's important to remember that: matching a character class
  17 consumes exactly one character in the source string. (The source
  18 string is the string the regular expression is matched against.)
  19
  20 There are three types of character classes in Perl regular
  21 expressions: the dot, backslash sequences, and the form enclosed in square
  22 brackets.  Keep in mind, though, that often the term "character class" is used
  23 to mean just the bracketed form.  Certainly, most Perl documentation does that.
  24
  25 =head2 The dot
  26
  27 The dot (or period), C<.> is probably the most used, and certainly
  28 the most well-known character class. By default, a dot matches any
  29 character, except for the newline. The default can be changed to
  30 add matching the newline by using the I<single line> modifier: either
  31 for the entire regular expression with the C</s> modifier, or
  32 locally with C<(?s)>.  (The experimental C<\N> backslash sequence, described
  33 below, matches any character except newline without regard to the
  34 I<single line> modifier.)
  35
  36 Here are some examples:
  37
  38  "a"  =~  /./       # Match
  39  "."  =~  /./       # Match
  40  ""   =~  /./       # No match (dot has to match a character)
  41  "\n" =~  /./       # No match (dot does not match a newline)
  42  "\n" =~  /./s      # Match (global 'single line' modifier)
  43  "\n" =~  /(?s:.)/  # Match (local 'single line' modifier)
  44  "ab" =~  /^.$/     # No match (dot matches one character)
  45
  46 =head2 Backslash sequences
  47 X<\w> X<\W> X<\s> X<\S> X<\d> X<\D> X<\p> X<\P>
  48 X<\N> X<\v> X<\V> X<\h> X<\H>
  49 X<word> X<whitespace>
  50
  51 A backslash sequence is a sequence of characters, the first one of which is a
  52 backslash.  Perl ascribes special meaning to many such sequences, and some of
  53 these are character classes.  That is, they match a single character each,
  54 provided that the character belongs to the specific set of characters defined
  55 by the sequence.
  56
  57 Here's a list of the backslash sequences that are character classes.  They
  58 are discussed in more detail below.  (For the backslash sequences that aren't
  59 character classes, see L<perlrebackslash>.)
  60
  61  \d             Match a decimal digit character.
  62  \D             Match a non-decimal-digit character.
  63  \w             Match a "word" character.
  64  \W             Match a non-"word" character.
  65  \s             Match a whitespace character.
  66  \S             Match a non-whitespace character.
  67  \h             Match a horizontal whitespace character.
  68  \H             Match a character that isn't horizontal whitespace.
  69  \v             Match a vertical whitespace character.
  70  \V             Match a character that isn't vertical whitespace.
  71  \N             Match a character that isn't a newline.  Experimental.
  72  \pP, \p{Prop}  Match a character that has the given Unicode property.
  73  \PP, \P{Prop}  Match a character that doesn't have the Unicode property
  74
  75 =head3 Digits
  76
  77 C<\d> matches a single character that is considered to be a decimal I<digit>.
  78 What is considered a decimal digit depends on several factors, detailed
  79 below in L</Locale, EBCDIC, Unicode and UTF-8>.  If those factors
  80 indicate a Unicode interpretation, C<\d> not only matches the digits
  81 '0' - '9', but also Arabic, Devanagari and digits from other languages.
  82 Otherwise, if there is a locale in effect, it will match whatever
  83 characters the locale considers decimal digits.  Without a locale, C<\d>
  84 matches just the digits '0' to '9'.
  85
  86 Unicode digits may cause some confusion, and some security issues.  In UTF-8
  87 strings, unless the C<"a"> regular expression modifier is specified,
  88 C<\d> matches the same characters matched by
  89 C<\p{General_Category=Decimal_Number}>, or synonymously,
  90 C<\p{General_Category=Digit}>.  Starting with Unicode version 4.1, this is the
  91 same set of characters matched by C<\p{Numeric_Type=Decimal}>.
  92
  93 But Unicode also has a different property with a similar name,
  94 C<\p{Numeric_Type=Digit}>, which matches a completely different set of
  95 characters.  These characters are things such as subscripts.
  96
  97 The design intent is for C<\d> to match all the digits (and no other characters)
  98 that can be used with "normal" big-endian positional decimal syntax, whereby a
  99 sequence of such digits {N0, N1, N2, ...Nn} has the numeric value (...(N0 * 10
 100 + N1) * 10 + N2) * 10 ... + Nn).  In Unicode 5.2, the Tamil digits (U+0BE6 -
 101 U+0BEF) can also legally be used in old-style Tamil numbers in which they would
 102 appear no more than one in a row, separated by characters that mean "times 10",
 103 "times 100", etc.  (See L<http://www.unicode.org/notes/tn21>.)
 104
 105 Some of the non-European digits that C<\d> matches look like European ones, but
 106 have different values.  For example, BENGALI DIGIT FOUR (U+09EA) looks
 107 very much like an ASCII DIGIT EIGHT (U+0038).
 108
 109 It may be useful for security purposes for an application to require that all
 110 digits in a row be from the same script.   See L<Unicode::UCD/charscript()>.
 111
 112 Any character that isn't matched by C<\d> will be matched by C<\D>.
 113
 114 =head3 Word characters
 115
 116 A C<\w> matches a single alphanumeric character (an alphabetic character, or a
 117 decimal digit) or a connecting punctuation character, such as an
 118 underscore ("_").  It does not match a whole word.  To match a whole
 119 word, use C<\w+>.  This isn't the same thing as matching an English word, but
 120 in the ASCII range it is the same as a string of Perl-identifier
 121 characters.  What is considered a
 122 word character depends on several factors, detailed below in L</Locale,
 123 EBCDIC, Unicode and UTF-8>.  If those factors indicate a Unicode
 124 interpretation, C<\w> matches the characters that are considered word
 125 characters in the Unicode database. That is, it not only matches ASCII letters,
 126 but also Thai letters, Greek letters, etc.  This includes connector
 127 punctuation (like the underscore) which connect two words together, or
 128 marks, such as a C<COMBINING TILDE>, which are generally used to add
 129 diacritical marks to letters.   If a Unicode interpretation
 130 is not indicated, C<\w> matches those characters that are considered
 131 word characters by the current locale or EBCDIC code page.  Without a
 132 locale or EBCDIC code page, C<\w> matches the ASCII letters, digits and
 133 the underscore.
 134
 135 There are a number of security issues with the full Unicode list of word
 136 characters.  See L<http://unicode.org/reports/tr36>.
 137
 138 Also, for a somewhat finer-grained set of characters that are in programming
 139 language identifiers beyond the ASCII range, you may wish to instead use the
 140 more customized Unicode properties, "ID_Start", ID_Continue", "XID_Start", and
 141 "XID_Continue".  See L<http://unicode.org/reports/tr31>.
 142
 143 Any character that isn't matched by C<\w> will be matched by C<\W>.
 144
 145 =head3 Whitespace
 146
 147 C<\s> matches any single character that is considered whitespace.  The exact
 148 set of characters matched by C<\s> depends on several factors, detailed
 149 below in L</Locale, EBCDIC, Unicode and UTF-8>.  If those factors
 150 indicate a Unicode interpretation, C<\s> matches what is considered
 151 whitespace in the Unicode database; the complete list is in the table
 152 below. Otherwise, if there is a locale or EBCDIC code page in effect,
 153 C<\s> matches whatever is considered whitespace by the current locale or
 154 EBCDIC code page. Without a locale or EBCDIC code page, C<\s> matches
 155 the horizontal tab (C<\t>), the newline (C<\n>), the form feed (C<\f>),
 156 the carriage return (C<\r>), and the space.  (Note that it doesn't match
 157 the vertical tab, C<\cK>.)  Perhaps the most notable possible surprise
 158 is that C<\s> matches a non-breaking space only if a Unicode
 159 interpretation is indicated, or the locale or EBCDIC code page that is
 160 in effect has that character.
 161
 162 Any character that isn't matched by C<\s> will be matched by C<\S>.
 163
 164 C<\h> will match any character that is considered horizontal whitespace;
 165 this includes the space and the tab characters and a number other characters,
 166 all of which are listed in the table below.  C<\H> will match any character
 167 that is not considered horizontal whitespace.
 168
 169 C<\v> will match any character that is considered vertical whitespace;
 170 this includes the carriage return and line feed characters (newline) plus several
 171 other characters, all listed in the table below.
 172 C<\V> will match any character that is not considered vertical whitespace.
 173
 174 C<\R> matches anything that can be considered a newline under Unicode
 175 rules. It's not a character class, as it can match a multi-character
 176 sequence. Therefore, it cannot be used inside a bracketed character
 177 class; use C<\v> instead (vertical whitespace).
 178 Details are discussed in L<perlrebackslash>.
 179
 180 Note that unlike C<\s>, C<\d> and C<\w>, C<\h> and C<\v> always match
 181 the same characters, without regard to other factors, such as if the
 182 source string is in UTF-8 format or not.
 183
 184 One might think that C<\s> is equivalent to C<[\h\v]>. This is not true.  The
 185 vertical tab (C<"\x0b">) is not matched by C<\s>, it is however considered
 186 vertical whitespace. Furthermore, if the source string is not in UTF-8 format,
 187 and any locale or EBCDIC code page that is in effect doesn't include them, the
 188 next line (ASCII-platform C<"\x85">) and the no-break space (ASCII-platform
 189 C<"\xA0">) characters are not matched by C<\s>, but are by C<\v> and C<\h>
 190 respectively.  If the C<"a"> modifier is not in effect, and the source
 191 string is in UTF-8 format, both the next line and
 192 the no-break space are matched by C<\s>.
 193
 194 The following table is a complete listing of characters matched by
 195 C<\s>, C<\h> and C<\v> as of Unicode 5.2.
 196
 197 The first column gives the code point of the character (in hex format),
 198 the second column gives the (Unicode) name. The third column indicates
 199 by which class(es) the character is matched (assuming no locale or EBCDIC code
 200 page is in effect that changes the C<\s> matching).
 201
 202  0x00009        CHARACTER TABULATION   h s
 203  0x0000a              LINE FEED (LF)    vs
 204  0x0000b             LINE TABULATION    v
 205  0x0000c              FORM FEED (FF)    vs
 206  0x0000d        CARRIAGE RETURN (CR)    vs
 207  0x00020                       SPACE   h s
 208  0x00085             NEXT LINE (NEL)    vs  [1]
 209  0x000a0              NO-BREAK SPACE   h s  [1]
 210  0x01680            OGHAM SPACE MARK   h s
 211  0x0180e   MONGOLIAN VOWEL SEPARATOR   h s
 212  0x02000                     EN QUAD   h s
 213  0x02001                     EM QUAD   h s
 214  0x02002                    EN SPACE   h s
 215  0x02003                    EM SPACE   h s
 216  0x02004          THREE-PER-EM SPACE   h s
 217  0x02005           FOUR-PER-EM SPACE   h s
 218  0x02006            SIX-PER-EM SPACE   h s
 219  0x02007                FIGURE SPACE   h s
 220  0x02008           PUNCTUATION SPACE   h s
 221  0x02009                  THIN SPACE   h s
 222  0x0200a                  HAIR SPACE   h s
 223  0x02028              LINE SEPARATOR    vs
 224  0x02029         PARAGRAPH SEPARATOR    vs
 225  0x0202f       NARROW NO-BREAK SPACE   h s
 226  0x0205f   MEDIUM MATHEMATICAL SPACE   h s
 227  0x03000           IDEOGRAPHIC SPACE   h s
 228
 229 =over 4
 230
 231 =item [1]
 232
 233 NEXT LINE and NO-BREAK SPACE only match C<\s> if the source string is in
 234 UTF-8 format and the C<"a"> modifier is not in effect; or the locale or
 235 EBCDIC code page that is in effect includes them.
 236
 237 =back
 238
 239 It is worth noting that C<\d>, C<\w>, etc, match single characters, not
 240 complete numbers or words. To match a number (that consists of digits),
 241 use C<\d+>; to match a word, use C<\w+>.
 242
 243 =head3 \N
 244
 245 C<\N> is new in 5.12, and is experimental.  It, like the dot, will match any
 246 character that is not a newline. The difference is that C<\N> is not influenced
 247 by the I<single line> regular expression modifier (see L</The dot> above).  Note
 248 that the form C<\N{...}> may mean something completely different.  When the
 249 C<{...}> is a L<quantifier|perlre/Quantifiers>, it means to match a non-newline
 250 character that many times.  For example, C<\N{3}> means to match 3
 251 non-newlines; C<\N{5,}> means to match 5 or more non-newlines.  But if C<{...}>
 252 is not a legal quantifier, it is presumed to be a named character.  See
 253 L<charnames> for those.  For example, none of C<\N{COLON}>, C<\N{4F}>, and
 254 C<\N{F4}> contain legal quantifiers, so Perl will try to find characters whose
 255 names are, respectively, C<COLON>, C<4F>, and C<F4>.
 256
 257 =head3 Unicode Properties
 258
 259 C<\pP> and C<\p{Prop}> are character classes to match characters that fit given
 260 Unicode properties.  One letter property names can be used in the C<\pP> form,
 261 with the property name following the C<\p>, otherwise, braces are required.
 262 When using braces, there is a single form, which is just the property name
 263 enclosed in the braces, and a compound form which looks like C<\p{name=value}>,
 264 which means to match if the property "name" for the character has the particular
 265 "value".
 266 For instance, a match for a number can be written as C</\pN/> or as
 267 C</\p{Number}/>, or as C</\p{Number=True}/>.
 268 Lowercase letters are matched by the property I<Lowercase_Letter> which
 269 has as short form I<Ll>. They need the braces, so are written as C</\p{Ll}/> or
 270 C</\p{Lowercase_Letter}/>, or C</\p{General_Category=Lowercase_Letter}/>
 271 (the underscores are optional).
 272 C</\pLl/> is valid, but means something different.
 273 It matches a two character string: a letter (Unicode property C<\pL>),
 274 followed by a lowercase C<l>.
 275
 276 Note that almost all properties are immune to case-insensitive matching.
 277 That is, adding a C</i> regular expression modifier does not change what
 278 they match.  There are two sets that are affected.  The first set is
 279 C<Uppercase_Letter>,
 280 C<Lowercase_Letter>,
 281 and C<Titlecase_Letter>,
 282 all of which match C<Cased_Letter> under C</i> matching.
 283 And the second set is
 284 C<Uppercase>,
 285 C<Lowercase>,
 286 and C<Titlecase>,
 287 all of which match C<Cased> under C</i> matching.
 288 (The difference between these sets is that some things, such as Roman
 289 Numerals come in both upper and lower case so they are C<Cased>, but
 290 aren't considered to be letters, so they aren't C<Cased_Letter>s.)
 291 This set also includes its subsets C<PosixUpper> and C<PosixLower> both
 292 of which under C</i> matching match C<PosixAlpha>.
 293
 294 For more details on Unicode properties, see L<perlunicode/Unicode
 295 Character Properties>; for a
 296 complete list of possible properties, see
 297 L<perluniprops/Properties accessible through \p{} and \P{}>,
 298 which notes all forms that have C</i> differences.
 299 It is also possible to define your own properties. This is discussed in
 300 L<perlunicode/User-Defined Character Properties>.
 301
 302 =head4 Examples
 303
 304  "a"  =~  /\w/      # Match, "a" is a 'word' character.
 305  "7"  =~  /\w/      # Match, "7" is a 'word' character as well.
 306  "a"  =~  /\d/      # No match, "a" isn't a digit.
 307  "7"  =~  /\d/      # Match, "7" is a digit.
 308  " "  =~  /\s/      # Match, a space is whitespace.
 309  "a"  =~  /\D/      # Match, "a" is a non-digit.
 310  "7"  =~  /\D/      # No match, "7" is not a non-digit.
 311  " "  =~  /\S/      # No match, a space is not non-whitespace.
 312
 313  " "  =~  /\h/      # Match, space is horizontal whitespace.
 314  " "  =~  /\v/      # No match, space is not vertical whitespace.
 315  "\r" =~  /\v/      # Match, a return is vertical whitespace.
 316
 317  "a"  =~  /\pL/     # Match, "a" is a letter.
 318  "a"  =~  /\p{Lu}/  # No match, /\p{Lu}/ matches upper case letters.
 319
 320  "\x{0e0b}" =~ /\p{Thai}/  # Match, \x{0e0b} is the character
 321                            # 'THAI CHARACTER SO SO', and that's in
 322                            # Thai Unicode class.
 323  "a"  =~  /\P{Lao}/ # Match, as "a" is not a Laotian character.
 324
 325
 326 =head2 Bracketed Character Classes
 327
 328 The third form of character class you can use in Perl regular expressions
 329 is the bracketed character class.  In its simplest form, it lists the characters
 330 that may be matched, surrounded by square brackets, like this: C<[aeiou]>.
 331 This matches one of C<a>, C<e>, C<i>, C<o> or C<u>.  Like the other
 332 character classes, exactly one character will be matched. To match
 333 a longer string consisting of characters mentioned in the character
 334 class, follow the character class with a L<quantifier|perlre/Quantifiers>.  For
 335 instance, C<[aeiou]+> matches a string of one or more lowercase English vowels.
 336
 337 Repeating a character in a character class has no
 338 effect; it's considered to be in the set only once.
 339
 340 Examples:
 341
 342  "e"  =~  /[aeiou]/        # Match, as "e" is listed in the class.
 343  "p"  =~  /[aeiou]/        # No match, "p" is not listed in the class.
 344  "ae" =~  /^[aeiou]$/      # No match, a character class only matches
 345                            # a single character.
 346  "ae" =~  /^[aeiou]+$/     # Match, due to the quantifier.
 347
 348 =head3 Special Characters Inside a Bracketed Character Class
 349
 350 Most characters that are meta characters in regular expressions (that
 351 is, characters that carry a special meaning like C<.>, C<*>, or C<(>) lose
 352 their special meaning and can be used inside a character class without
 353 the need to escape them. For instance, C<[()]> matches either an opening
 354 parenthesis, or a closing parenthesis, and the parens inside the character
 355 class don't group or capture.
 356
 357 Characters that may carry a special meaning inside a character class are:
 358 C<\>, C<^>, C<->, C<[> and C<]>, and are discussed below. They can be
 359 escaped with a backslash, although this is sometimes not needed, in which
 360 case the backslash may be omitted.
 361
 362 The sequence C<\b> is special inside a bracketed character class. While
 363 outside the character class, C<\b> is an assertion indicating a point
 364 that does not have either two word characters or two non-word characters
 365 on either side, inside a bracketed character class, C<\b> matches a
 366 backspace character.
 367
 368 The sequences
 369 C<\a>,
 370 C<\c>,
 371 C<\e>,
 372 C<\f>,
 373 C<\n>,
 374 C<\N{I<NAME>}>,
 375 C<\N{U+I<hex char>}>,
 376 C<\r>,
 377 C<\t>,
 378 and
 379 C<\x>
 380 are also special and have the same meanings as they do outside a
 381 bracketed character class.  (However, inside a bracketed character
 382 class, if C<\N{I<NAME>}> expands to a sequence of characters, only the first
 383 one in the sequence is used, with a warning.)
 384
 385 Also, a backslash followed by two or three octal digits is considered an octal
 386 number.
 387
 388 A C<[> is not special inside a character class, unless it's the start of a
 389 POSIX character class (see L</POSIX Character Classes> below). It normally does
 390 not need escaping.
 391
 392 A C<]> is normally either the end of a POSIX character class (see
 393 L</POSIX Character Classes> below), or it signals the end of the bracketed
 394 character class.  If you want to include a C<]> in the set of characters, you
 395 must generally escape it.
 396 However, if the C<]> is the I<first> (or the second if the first
 397 character is a caret) character of a bracketed character class, it
 398 does not denote the end of the class (as you cannot have an empty class)
 399 and is considered part of the set of characters that can be matched without
 400 escaping.
 401
 402 Examples:
 403
 404  "+"   =~ /[+?*]/     #  Match, "+" in a character class is not special.
 405  "\cH" =~ /[\b]/      #  Match, \b inside in a character class
 406                       #  is equivalent to a backspace.
 407  "]"   =~ /[][]/      #  Match, as the character class contains.
 408                       #  both [ and ].
 409  "[]"  =~ /[[]]/      #  Match, the pattern contains a character class
 410                       #  containing just ], and the character class is
 411                       #  followed by a ].
 412
 413 =head3 Character Ranges
 414
 415 It is not uncommon to want to match a range of characters. Luckily, instead
 416 of listing all the characters in the range, one may use the hyphen (C<->).
 417 If inside a bracketed character class you have two characters separated
 418 by a hyphen, it's treated as if all the characters between the two are in
 419 the class. For instance, C<[0-9]> matches any ASCII digit, and C<[a-m]>
 420 matches any lowercase letter from the first half of the ASCII alphabet.
 421
 422 Note that the two characters on either side of the hyphen are not
 423 necessarily both letters or both digits. Any character is possible,
 424 although not advisable.  C<['-?]> contains a range of characters, but
 425 most people will not know which characters that will be. Furthermore,
 426 such ranges may lead to portability problems if the code has to run on
 427 a platform that uses a different character set, such as EBCDIC.
 428
 429 If a hyphen in a character class cannot syntactically be part of a range, for
 430 instance because it is the first or the last character of the character class,
 431 or if it immediately follows a range, the hyphen isn't special, and will be
 432 considered a character that is to be matched literally. You have to escape the
 433 hyphen with a backslash if you want to have a hyphen in your set of characters
 434 to be matched, and its position in the class is such that it could be
 435 considered part of a range.
 436
 437 Examples:
 438
 439  [a-z]       #  Matches a character that is a lower case ASCII letter.
 440  [a-fz]      #  Matches any letter between 'a' and 'f' (inclusive) or
 441              #  the letter 'z'.
 442  [-z]        #  Matches either a hyphen ('-') or the letter 'z'.
 443  [a-f-m]     #  Matches any letter between 'a' and 'f' (inclusive), the
 444              #  hyphen ('-'), or the letter 'm'.
 445  ['-?]       #  Matches any of the characters  '()*+,-./0123456789:;<=>?
 446              #  (But not on an EBCDIC platform).
 447
 448
 449 =head3 Negation
 450
 451 It is also possible to instead list the characters you do not want to
 452 match. You can do so by using a caret (C<^>) as the first character in the
 453 character class. For instance, C<[^a-z]> matches a character that is not a
 454 lowercase ASCII letter.
 455
 456 This syntax make the caret a special character inside a bracketed character
 457 class, but only if it is the first character of the class. So if you want
 458 to have the caret as one of the characters you want to match, you either
 459 have to escape the caret, or not list it first.
 460
 461 Examples:
 462
 463  "e"  =~  /[^aeiou]/   #  No match, the 'e' is listed.
 464  "x"  =~  /[^aeiou]/   #  Match, as 'x' isn't a lowercase vowel.
 465  "^"  =~  /[^^]/       #  No match, matches anything that isn't a caret.
 466  "^"  =~  /[x^]/       #  Match, caret is not special here.
 467
 468 =head3 Backslash Sequences
 469
 470 You can put any backslash sequence character class (with the exception of
 471 C<\N> and C<\R>) inside a bracketed character class, and it will act just
 472 as if you put all the characters matched by the backslash sequence inside the
 473 character class. For instance, C<[a-f\d]> will match any decimal digit, or any
 474 of the lowercase letters between 'a' and 'f' inclusive.
 475
 476 C<\N> within a bracketed character class must be of the forms C<\N{I<name>}>
 477 or C<\N{U+I<hex char>}>, and NOT be the form that matches non-newlines,
 478 for the same reason that a dot C<.> inside a bracketed character class loses
 479 its special meaning: it matches nearly anything, which generally isn't what you
 480 want to happen.
 481
 482
 483 Examples:
 484
 485  /[\p{Thai}\d]/     # Matches a character that is either a Thai
 486                     # character, or a digit.
 487  /[^\p{Arabic}()]/  # Matches a character that is neither an Arabic
 488                     # character, nor a parenthesis.
 489
 490 Backslash sequence character classes cannot form one of the endpoints
 491 of a range.  Thus, you can't say:
 492
 493  /[\p{Thai}-\d]/     # Wrong!
 494
 495 =head3 POSIX Character Classes
 496 X<character class> X<\p> X<\p{}>
 497 X<alpha> X<alnum> X<ascii> X<blank> X<cntrl> X<digit> X<graph>
 498 X<lower> X<print> X<punct> X<space> X<upper> X<word> X<xdigit>
 499
 500 POSIX character classes have the form C<[:class:]>, where I<class> is
 501 name, and the C<[:> and C<:]> delimiters. POSIX character classes only appear
 502 I<inside> bracketed character classes, and are a convenient and descriptive
 503 way of listing a group of characters, though they can suffer from
 504 portability issues (see below and L<Locale, EBCDIC, Unicode and UTF-8>).
 505
 506 Be careful about the syntax,
 507
 508  # Correct:
 509  $string =~ /[[:alpha:]]/
 510
 511  # Incorrect (will warn):
 512  $string =~ /[:alpha:]/
 513
 514 The latter pattern would be a character class consisting of a colon,
 515 and the letters C<a>, C<l>, C<p> and C<h>.
 516 POSIX character classes can be part of a larger bracketed character class.  For
 517 example,
 518
 519  [01[:alpha:]%]
 520
 521 is valid and matches '0', '1', any alphabetic character, and the percent sign.
 522
 523 Perl recognizes the following POSIX character classes:
 524
 525  alpha  Any alphabetical character ("[A-Za-z]").
 526  alnum  Any alphanumerical character. ("[A-Za-z0-9]")
 527  ascii  Any character in the ASCII character set.
 528  blank  A GNU extension, equal to a space or a horizontal tab ("\t").
 529  cntrl  Any control character.  See Note [2] below.
 530  digit  Any decimal digit ("[0-9]"), equivalent to "\d".
 531  graph  Any printable character, excluding a space.  See Note [3] below.
 532  lower  Any lowercase character ("[a-z]").
 533  print  Any printable character, including a space.  See Note [4] below.
 534  punct  Any graphical character excluding "word" characters.  Note [5].
 535  space  Any whitespace character. "\s" plus the vertical tab ("\cK").
 536  upper  Any uppercase character ("[A-Z]").
 537  word   A Perl extension ("[A-Za-z0-9_]"), equivalent to "\w".
 538  xdigit Any hexadecimal digit ("[0-9a-fA-F]").
 539
 540 Most POSIX character classes have two Unicode-style C<\p> property
 541 counterparts.  (They are not official Unicode properties, but Perl extensions
 542 derived from official Unicode properties.)  The table below shows the relation
 543 between POSIX character classes and these counterparts.
 544
 545 One counterpart, in the column labelled "ASCII-range Unicode" in
 546 the table, will only match characters in the ASCII character set.
 547
 548 The other counterpart, in the column labelled "Full-range Unicode", matches any
 549 appropriate characters in the full Unicode character set.  For example,
 550 C<\p{Alpha}> will match not just the ASCII alphabetic characters, but any
 551 character in the entire Unicode character set that is considered to be
 552 alphabetic.  The column labelled "backslash sequence" is a (short) synonym for
 553 the Full-range Unicode form.
 554
 555 (Each of the counterparts has various synonyms as well.
 556 L<perluniprops/Properties accessible through \p{} and \P{}> lists all the
 557 synonyms, plus all the characters matched by each of the ASCII-range
 558 properties.  For example C<\p{AHex}> is a synonym for C<\p{ASCII_Hex_Digit}>,
 559 and any C<\p> property name can be prefixed with "Is" such as C<\p{IsAlpha}>.)
 560
 561 Both the C<\p> forms are unaffected by any locale that is in effect, or whether
 562 the string is in UTF-8 format or not, or whether the platform is EBCDIC or not.
 563 In contrast, the POSIX character classes are affected, unless the
 564 regular expression is compiled with the C<"a"> modifier.  If the C<"a">
 565 modifier is not in effect, and the source string is in UTF-8 format, the
 566 POSIX classes behave like their "Full-range" Unicode counterparts.  If
 567 C<"a"> modifier is in effect; or the source string is not in UTF-8
 568 format, and no locale is in effect, and the platform is not EBCDIC, all
 569 the POSIX classes behave like their ASCII-range counterparts.
 570 Otherwise, they behave based on the rules of the locale or EBCDIC code
 571 page.
 572
 573 It is proposed to change this behavior in a future release of Perl so that the
 574 the UTF-8-ness of the source string will be irrelevant to the behavior of the
 575 POSIX character classes.  This means they will always behave in strict
 576 accordance with the official POSIX standard.  That is, if either locale or
 577 EBCDIC code page is present, they will behave in accordance with those; if
 578 absent, the classes will match only their ASCII-range counterparts.  If you
 579 wish to comment on this proposal, send email to C<perl5-porters@perl.org>.
 580
 581  [[:...:]]      ASCII-range          Full-range  backslash  Note
 582                  Unicode              Unicode     sequence
 583  -----------------------------------------------------
 584    alpha      \p{PosixAlpha}       \p{XPosixAlpha}
 585    alnum      \p{PosixAlnum}       \p{XPosixAlnum}
 586    ascii      \p{ASCII}
 587    blank      \p{PosixBlank}       \p{XPosixBlank}  \h      [1]
 588                                    or \p{HorizSpace}        [1]
 589    cntrl      \p{PosixCntrl}       \p{XPosixCntrl}          [2]
 590    digit      \p{PosixDigit}       \p{XPosixDigit}  \d
 591    graph      \p{PosixGraph}       \p{XPosixGraph}          [3]
 592    lower      \p{PosixLower}       \p{XPosixLower}
 593    print      \p{PosixPrint}       \p{XPosixPrint}          [4]
 594    punct      \p{PosixPunct}       \p{XPosixPunct}          [5]
 595               \p{PerlSpace}        \p{XPerlSpace}   \s      [6]
 596    space      \p{PosixSpace}       \p{XPosixSpace}          [6]
 597    upper      \p{PosixUpper}       \p{XPosixUpper}
 598    word       \p{PosixWord}        \p{XPosixWord}   \w
 599    xdigit     \p{ASCII_Hex_Digit}  \p{XPosixXDigit}
 600
 601 =over 4
 602
 603 =item [1]
 604
 605 C<\p{Blank}> and C<\p{HorizSpace}> are synonyms.
 606
 607 =item [2]
 608
 609 Control characters don't produce output as such, but instead usually control
 610 the terminal somehow: for example newline and backspace are control characters.
 611 In the ASCII range, characters whose ordinals are between 0 and 31 inclusive,
 612 plus 127 (C<DEL>) are control characters.
 613
 614 On EBCDIC platforms, it is likely that the code page will define C<[[:cntrl:]]>
 615 to be the EBCDIC equivalents of the ASCII controls, plus the controls
 616 that in Unicode have ordinals from 128 through 159.
 617
 618 =item [3]
 619
 620 Any character that is I<graphical>, that is, visible. This class consists
 621 of all the alphanumerical characters and all punctuation characters.
 622
 623 =item [4]
 624
 625 All printable characters, which is the set of all the graphical characters
 626 plus whitespace characters that are not also controls.
 627
 628 =item [5]
 629
 630 C<\p{PosixPunct}> and C<[[:punct:]]> in the ASCII range match all the
 631 non-controls, non-alphanumeric, non-space characters:
 632 C<[-!"#$%&'()*+,./:;<=E<gt>?@[\\\]^_`{|}~]> (although if a locale is in effect,
 633 it could alter the behavior of C<[[:punct:]]>).
 634
 635 The similarly named property, C<\p{Punct}>, matches a somewhat different
 636 set in the ASCII range, namely
 637 C<[-!"#%&'()*,./:;?@[\\\]_{}]>.  That is, it is missing C<[$+E<lt>=E<gt>^`|~]>.
 638 This is because Unicode splits what POSIX considers to be punctuation into two
 639 categories, Punctuation and Symbols.
 640
 641 C<\p{XPosixPunct}> and (in Unicode mode) C<[[:punct:]]>, match what
 642 C<\p{PosixPunct}> matches in the ASCII range, plus what C<\p{Punct}>
 643 matches.  This is different than strictly matching according to
 644 C<\p{Punct}>.  Another way to say it is that
 645 for a UTF-8 string, C<[[:punct:]]> matches all the characters that Unicode
 646 considers to be punctuation, plus all the ASCII-range characters that Unicode
 647 considers to be symbols.
 648
 649 =item [6]
 650
 651 C<\p{SpacePerl}> and C<\p{Space}> differ only in that C<\p{Space}> additionally
 652 matches the vertical tab, C<\cK>.   Same for the two ASCII-only range forms.
 653
 654 =back
 655
 656 There are various other synonyms that can be used for these besides
 657 C<\p{HorizSpace}> and \C<\p{XPosixBlank}>.  For example
 658 C<\p{PosixAlpha}> can be written as C<\p{Alpha}>.  All are listed
 659 in L<perluniprops/Properties accessible through \p{} and \P{}>.
 660
 661 =head4 Negation
 662 X<character class, negation>
 663
 664 A Perl extension to the POSIX character class is the ability to
 665 negate it. This is done by prefixing the class name with a caret (C<^>).
 666 Some examples:
 667
 668      POSIX         ASCII-range     Full-range  backslash
 669                     Unicode         Unicode    sequence
 670  -----------------------------------------------------
 671  [[:^digit:]]   \P{PosixDigit}  \P{XPosixDigit}   \D
 672  [[:^space:]]   \P{PosixSpace}  \P{XPosixSpace}
 673                 \P{PerlSpace}   \P{XPerlSpace}    \S
 674  [[:^word:]]    \P{PerlWord}    \P{XPosixWord}    \W
 675
 676 The backslash sequence can mean either ASCII- or Full-range Unicode,
 677 depending on various factors.  See L</Locale, EBCDIC, Unicode and UTF-8>
 678 below.
 679
 680 =head4 [= =] and [. .]
 681
 682 Perl will recognize the POSIX character classes C<[=class=]>, and
 683 C<[.class.]>, but does not (yet?) support them.  Use of
 684 such a construct will lead to an error.
 685
 686
 687 =head4 Examples
 688
 689  /[[:digit:]]/            # Matches a character that is a digit.
 690  /[01[:lower:]]/          # Matches a character that is either a
 691                           # lowercase letter, or '0' or '1'.
 692  /[[:digit:][:^xdigit:]]/ # Matches a character that can be anything
 693                           # except the letters 'a' to 'f'.  This is
 694                           # because the main character class is composed
 695                           # of two POSIX character classes that are ORed
 696                           # together, one that matches any digit, and
 697                           # the other that matches anything that isn't a
 698                           # hex digit.  The result matches all
 699                           # characters except the letters 'a' to 'f' and
 700                           # 'A' to 'F'.
 701
 702
 703 =head2 Locale, EBCDIC, Unicode and UTF-8
 704
 705 Some of the character classes have a somewhat different behaviour
 706 depending on the internal encoding of the source string, if the regular
 707 expression is marked as having Unicode semantics, the locale that is in
 708 effect, and if the program is running on an EBCDIC platform.
 709
 710 C<\w>, C<\d>, C<\s> and the POSIX character classes (and their
 711 negations, including C<\W>, C<\D>, C<\S>) have this behaviour.  (Since
 712 the backslash sequences C<\b> and C<\B> are defined in terms of C<\w>
 713 and C<\W>, they also are affected.)
 714
 715 Starting in Perl 5.14, if the regular expression is compiled with the
 716 C<"a"> modifier, the behavior doesn't differ regardless of any other
 717 factors.  C<\d> matches the 10 digits 0-9; C<\D> any character but those
 718 10; C<\s>, exactly the five characters "[ \f\n\r\t]"; C<\w> only the 63
 719 characters "[A-Za-z0-9_]"; and the C<"[[:posix:]]"> classes only the
 720 appropriate ASCII characters, the same characters as are matched by the
 721 corresponding C<\p{}> property given in the "ASCII-range Unicode" column
 722 in the table above.  (The behavior of all of their complements follows
 723 the same paradigm.)
 724
 725 Otherwise, a regular expression is marked for Unicode semantics if it is
 726 encoded in utf8 (usually as a result of including a literal character
 727 whose code point is above 255), or if it contains a C<\N{U+...}> or
 728 C<\N{I<name>}> construct, or (starting in Perl 5.14) if it was compiled
 729 in the scope of a C<S<use feature "unicode_strings">> pragma and not in
 730 the scope of a C<S<use locale>> pragma, or has the C<"u"> regular
 731 expression modifier.
 732
 733 Note that one can specify C<"use re '/l'"> for example, for any regular
 734 expression modifier, and this has precedence over either of the
 735 C<S<use feature "unicode_strings">> or C<S<use locale>> pragmas.
 736
 737 The differences in behavior between locale and non-locale semantics
 738 can affect any character whose code point is 255 or less.  The
 739 differences in behavior between Unicode and non-Unicode semantics
 740 affects only ASCII platforms, and only when matching against characters
 741 whose code points are between 128 and 255 inclusive.  See
 742 L<perlunicode/The "Unicode Bug">.
 743
 744 For portability reasons, unless the C<"a"> modifier is specified,
 745 it may be better to not use C<\w>, C<\d>, C<\s> or the POSIX character
 746 classes and use the Unicode properties instead.
 747 That way you can control whether you want matching of just characters in
 748 the ASCII character set, or any Unicode characters.
 749 C<S<use feature "unicode_strings">> will allow seamless Unicode behavior
 750 no matter what the internal encodings are, but won't allow restricting
 751 to just the ASCII characters.
 752
 753 =head4 Examples
 754
 755  $str =  "\xDF";      # $str is not in UTF-8 format.
 756  $str =~ /^\w/;       # No match, as $str isn't in UTF-8 format.
 757  $str .= "\x{0e0b}";  # Now $str is in UTF-8 format.
 758  $str =~ /^\w/;       # Match! $str is now in UTF-8 format.
 759  chop $str;
 760  $str =~ /^\w/;       # Still a match! $str remains in UTF-8 format.
 761
 762 =cut