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. That 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 C<L</\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.
  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 \N
  76
  77 C<\N>, available starting in v5.12, like the dot, matches any
  78 character that is not a newline. The difference is that C<\N> is not influenced
  79 by the I<single line> regular expression modifier (see L</The dot> above).  Note
  80 that the form C<\N{...}> may mean something completely different.  When the
  81 C<{...}> is a L<quantifier|perlre/Quantifiers>, it means to match a non-newline
  82 character that many times.  For example, C<\N{3}> means to match 3
  83 non-newlines; C<\N{5,}> means to match 5 or more non-newlines.  But if C<{...}>
  84 is not a legal quantifier, it is presumed to be a named character.  See
  85 L<charnames> for those.  For example, none of C<\N{COLON}>, C<\N{4F}>, and
  86 C<\N{F4}> contain legal quantifiers, so Perl will try to find characters whose
  87 names are respectively C<COLON>, C<4F>, and C<F4>.
  88
  89 =head3 Digits
  90
  91 C<\d> matches a single character considered to be a decimal I<digit>.
  92 If the C</a> regular expression modifier is in effect, it matches [0-9].
  93 Otherwise, it
  94 matches anything that is matched by C<\p{Digit}>, which includes [0-9].
  95 (An unlikely possible exception is that under locale matching rules, the
  96 current locale might not have C<[0-9]> matched by C<\d>, and/or might match
  97 other characters whose code point is less than 256.  The only such locale
  98 definitions that are legal would be to match C<[0-9]> plus another set of
  99 10 consecutive digit characters;  anything else would be in violation of
 100 the C language standard, but Perl doesn't currently assume anything in
 101 regard to this.)
 102
 103 What this means is that unless the C</a> modifier is in effect C<\d> not
 104 only matches the digits '0' - '9', but also Arabic, Devanagari, and
 105 digits from other languages.  This may cause some confusion, and some
 106 security issues.
 107
 108 Some digits that C<\d> matches look like some of the [0-9] ones, but
 109 have different values.  For example, BENGALI DIGIT FOUR (U+09EA) looks
 110 very much like an ASCII DIGIT EIGHT (U+0038).  An application that
 111 is expecting only the ASCII digits might be misled, or if the match is
 112 C<\d+>, the matched string might contain a mixture of digits from
 113 different writing systems that look like they signify a number different
 114 than they actually do.  L<Unicode::UCD/num()> can
 115 be used to safely
 116 calculate the value, returning C<undef> if the input string contains
 117 such a mixture.
 118
 119 What C<\p{Digit}> means (and hence C<\d> except under the C</a>
 120 modifier) is C<\p{General_Category=Decimal_Number}>, or synonymously,
 121 C<\p{General_Category=Digit}>.  Starting with Unicode version 4.1, this
 122 is the same set of characters matched by C<\p{Numeric_Type=Decimal}>.
 123 But Unicode also has a different property with a similar name,
 124 C<\p{Numeric_Type=Digit}>, which matches a completely different set of
 125 characters.  These characters are things such as C<CIRCLED DIGIT ONE>
 126 or subscripts, or are from writing systems that lack all ten digits.
 127
 128 The design intent is for C<\d> to exactly match the set of characters
 129 that can safely be used with "normal" big-endian positional decimal
 130 syntax, where, for example 123 means one 'hundred', plus two 'tens',
 131 plus three 'ones'.  This positional notation does not necessarily apply
 132 to characters that match the other type of "digit",
 133 C<\p{Numeric_Type=Digit}>, and so C<\d> doesn't match them.
 134
 135 The Tamil digits (U+0BE6 - U+0BEF) can also legally be
 136 used in old-style Tamil numbers in which they would appear no more than
 137 one in a row, separated by characters that mean "times 10", "times 100",
 138 etc.  (See L<http://www.unicode.org/notes/tn21>.)
 139
 140 Any character not matched by C<\d> is matched by C<\D>.
 141
 142 =head3 Word characters
 143
 144 A C<\w> matches a single alphanumeric character (an alphabetic character, or a
 145 decimal digit); or a connecting punctuation character, such as an
 146 underscore ("_"); or a "mark" character (like some sort of accent) that
 147 attaches to one of those.  It does not match a whole word.  To match a
 148 whole word, use C<\w+>.  This isn't the same thing as matching an
 149 English word, but in the ASCII range it is the same as a string of
 150 Perl-identifier characters.
 151
 152 =over
 153
 154 =item If the C</a> modifier is in effect ...
 155
 156 C<\w> matches the 63 characters [a-zA-Z0-9_].
 157
 158 =item otherwise ...
 159
 160 =over
 161
 162 =item For code points above 255 ...
 163
 164 C<\w> matches the same as C<\p{Word}> matches in this range.  That is,
 165 it matches Thai letters, Greek letters, etc.  This includes connector
 166 punctuation (like the underscore) which connect two words together, or
 167 diacritics, such as a C<COMBINING TILDE> and the modifier letters, which
 168 are generally used to add auxiliary markings to letters.
 169
 170 =item For code points below 256 ...
 171
 172 =over
 173
 174 =item if locale rules are in effect ...
 175
 176 C<\w> matches the platform's native underscore character plus whatever
 177 the locale considers to be alphanumeric.
 178
 179 =item if Unicode rules are in effect ...
 180
 181 C<\w> matches exactly what C<\p{Word}> matches.
 182
 183 =item otherwise ...
 184
 185 C<\w> matches [a-zA-Z0-9_].
 186
 187 =back
 188
 189 =back
 190
 191 =back
 192
 193 Which rules apply are determined as described in L<perlre/Which character set modifier is in effect?>.
 194
 195 There are a number of security issues with the full Unicode list of word
 196 characters.  See L<http://unicode.org/reports/tr36>.
 197
 198 Also, for a somewhat finer-grained set of characters that are in programming
 199 language identifiers beyond the ASCII range, you may wish to instead use the
 200 more customized L</Unicode Properties>, C<\p{ID_Start}>,
 201 C<\p{ID_Continue}>, C<\p{XID_Start}>, and C<\p{XID_Continue}>.  See
 202 L<http://unicode.org/reports/tr31>.
 203
 204 Any character not matched by C<\w> is matched by C<\W>.
 205
 206 =head3 Whitespace
 207
 208 C<\s> matches any single character considered whitespace.
 209
 210 =over
 211
 212 =item If the C</a> modifier is in effect ...
 213
 214 In all Perl versions, C<\s> matches the 5 characters [\t\n\f\r ]; that
 215 is, the horizontal tab,
 216 the newline, the form feed, the carriage return, and the space.
 217 Starting in Perl v5.18, experimentally, it also matches the vertical tab, C<\cK>.
 218 See note C<[1]> below for a discussion of this.
 219
 220 =item otherwise ...
 221
 222 =over
 223
 224 =item For code points above 255 ...
 225
 226 C<\s> matches exactly the code points above 255 shown with an "s" column
 227 in the table below.
 228
 229 =item For code points below 256 ...
 230
 231 =over
 232
 233 =item if locale rules are in effect ...
 234
 235 C<\s> matches whatever the locale considers to be whitespace.
 236
 237 =item if Unicode rules are in effect ...
 238
 239 C<\s> matches exactly the characters shown with an "s" column in the
 240 table below.
 241
 242 =item otherwise ...
 243
 244 C<\s> matches [\t\n\f\r ] and, starting, experimentally in Perl
 245 v5.18, the vertical tab, C<\cK>.
 246 (See note C<[1]> below for a discussion of this.)
 247 Note that this list doesn't include the non-breaking space.
 248
 249 =back
 250
 251 =back
 252
 253 =back
 254
 255 Which rules apply are determined as described in L<perlre/Which character set modifier is in effect?>.
 256
 257 Any character not matched by C<\s> is matched by C<\S>.
 258
 259 C<\h> matches any character considered horizontal whitespace;
 260 this includes the platform's space and tab characters and several others
 261 listed in the table below.  C<\H> matches any character
 262 not considered horizontal whitespace.  They use the platform's native
 263 character set, and do not consider any locale that may otherwise be in
 264 use.
 265
 266 C<\v> matches any character considered vertical whitespace;
 267 this includes the platform's carriage return and line feed characters (newline)
 268 plus several other characters, all listed in the table below.
 269 C<\V> matches any character not considered vertical whitespace.
 270 They use the platform's native character set, and do not consider any
 271 locale that may otherwise be in use.
 272
 273 C<\R> matches anything that can be considered a newline under Unicode
 274 rules. It's not a character class, as it can match a multi-character
 275 sequence. Therefore, it cannot be used inside a bracketed character
 276 class; use C<\v> instead (vertical whitespace).  It uses the platform's
 277 native character set, and does not consider any locale that may
 278 otherwise be in use.
 279 Details are discussed in L<perlrebackslash>.
 280
 281 Note that unlike C<\s> (and C<\d> and C<\w>), C<\h> and C<\v> always match
 282 the same characters, without regard to other factors, such as the active
 283 locale or whether the source string is in UTF-8 format.
 284
 285 One might think that C<\s> is equivalent to C<[\h\v]>. This is indeed true
 286 starting in Perl v5.18, but prior to that, the sole difference was that the
 287 vertical tab (C<"\cK">) was not matched by C<\s>.
 288
 289 The following table is a complete listing of characters matched by
 290 C<\s>, C<\h> and C<\v> as of Unicode 6.3.
 291
 292 The first column gives the Unicode code point of the character (in hex format),
 293 the second column gives the (Unicode) name. The third column indicates
 294 by which class(es) the character is matched (assuming no locale is in
 295 effect that changes the C<\s> matching).
 296
 297  0x0009        CHARACTER TABULATION   h s
 298  0x000a              LINE FEED (LF)    vs
 299  0x000b             LINE TABULATION    vs  [1]
 300  0x000c              FORM FEED (FF)    vs
 301  0x000d        CARRIAGE RETURN (CR)    vs
 302  0x0020                       SPACE   h s
 303  0x0085             NEXT LINE (NEL)    vs  [2]
 304  0x00a0              NO-BREAK SPACE   h s  [2]
 305  0x1680            OGHAM SPACE MARK   h s
 306  0x2000                     EN QUAD   h s
 307  0x2001                     EM QUAD   h s
 308  0x2002                    EN SPACE   h s
 309  0x2003                    EM SPACE   h s
 310  0x2004          THREE-PER-EM SPACE   h s
 311  0x2005           FOUR-PER-EM SPACE   h s
 312  0x2006            SIX-PER-EM SPACE   h s
 313  0x2007                FIGURE SPACE   h s
 314  0x2008           PUNCTUATION SPACE   h s
 315  0x2009                  THIN SPACE   h s
 316  0x200a                  HAIR SPACE   h s
 317  0x2028              LINE SEPARATOR    vs
 318  0x2029         PARAGRAPH SEPARATOR    vs
 319  0x202f       NARROW NO-BREAK SPACE   h s
 320  0x205f   MEDIUM MATHEMATICAL SPACE   h s
 321  0x3000           IDEOGRAPHIC SPACE   h s
 322
 323 =over 4
 324
 325 =item [1]
 326
 327 Prior to Perl v5.18, C<\s> did not match the vertical tab.  The change
 328 in v5.18 is considered an experiment, which means it could be backed out
 329 in v5.22 if experience indicates that it breaks too much
 330 existing code.  If this change adversely affects you, send email to
 331 C<perlbug@perl.org>; if it affects you positively, email
 332 C<perlthanks@perl.org>.  In the meantime, C<[^\S\cK]> (obscurely)
 333 matches what C<\s> traditionally did.
 334
 335 =item [2]
 336
 337 NEXT LINE and NO-BREAK SPACE may or may not match C<\s> depending
 338 on the rules in effect.  See
 339 L<the beginning of this section|/Whitespace>.
 340
 341 =back
 342
 343 =head3 Unicode Properties
 344
 345 C<\pP> and C<\p{Prop}> are character classes to match characters that fit given
 346 Unicode properties.  One letter property names can be used in the C<\pP> form,
 347 with the property name following the C<\p>, otherwise, braces are required.
 348 When using braces, there is a single form, which is just the property name
 349 enclosed in the braces, and a compound form which looks like C<\p{name=value}>,
 350 which means to match if the property "name" for the character has that particular
 351 "value".
 352 For instance, a match for a number can be written as C</\pN/> or as
 353 C</\p{Number}/>, or as C</\p{Number=True}/>.
 354 Lowercase letters are matched by the property I<Lowercase_Letter> which
 355 has the short form I<Ll>. They need the braces, so are written as C</\p{Ll}/> or
 356 C</\p{Lowercase_Letter}/>, or C</\p{General_Category=Lowercase_Letter}/>
 357 (the underscores are optional).
 358 C</\pLl/> is valid, but means something different.
 359 It matches a two character string: a letter (Unicode property C<\pL>),
 360 followed by a lowercase C<l>.
 361
 362 If locale rules are not in effect, the use of
 363 a Unicode property will force the regular expression into using Unicode
 364 rules, if it isn't already.
 365
 366 Note that almost all properties are immune to case-insensitive matching.
 367 That is, adding a C</i> regular expression modifier does not change what
 368 they match.  There are two sets that are affected.  The first set is
 369 C<Uppercase_Letter>,
 370 C<Lowercase_Letter>,
 371 and C<Titlecase_Letter>,
 372 all of which match C<Cased_Letter> under C</i> matching.
 373 The second set is
 374 C<Uppercase>,
 375 C<Lowercase>,
 376 and C<Titlecase>,
 377 all of which match C<Cased> under C</i> matching.
 378 (The difference between these sets is that some things, such as Roman
 379 numerals, come in both upper and lower case, so they are C<Cased>, but
 380 aren't considered to be letters, so they aren't C<Cased_Letter>s. They're
 381 actually C<Letter_Number>s.)
 382 This set also includes its subsets C<PosixUpper> and C<PosixLower>, both
 383 of which under C</i> match C<PosixAlpha>.
 384
 385 For more details on Unicode properties, see L<perlunicode/Unicode
 386 Character Properties>; for a
 387 complete list of possible properties, see
 388 L<perluniprops/Properties accessible through \p{} and \P{}>,
 389 which notes all forms that have C</i> differences.
 390 It is also possible to define your own properties. This is discussed in
 391 L<perlunicode/User-Defined Character Properties>.
 392
 393 Unicode properties are defined (surprise!) only on Unicode code points.
 394 Starting in v5.20, when matching against C<\p> and C<\P>, Perl treats
 395 non-Unicode code points (those above the legal Unicode maximum of
 396 0x10FFFF) as if they were typical unassigned Unicode code points.
 397
 398 Prior to v5.20, Perl raised a warning and made all matches fail on
 399 non-Unicode code points.  This could be somewhat surprising:
 400
 401  chr(0x110000) =~ \p{ASCII_Hex_Digit=True}     # Fails on Perls < v5.20.
 402  chr(0x110000) =~ \p{ASCII_Hex_Digit=False}    # Also fails on Perls
 403                                                # < v5.20
 404
 405 Even though these two matches might be thought of as complements, until
 406 v5.20 they were so only on Unicode code points.
 407
 408 =head4 Examples
 409
 410  "a"  =~  /\w/      # Match, "a" is a 'word' character.
 411  "7"  =~  /\w/      # Match, "7" is a 'word' character as well.
 412  "a"  =~  /\d/      # No match, "a" isn't a digit.
 413  "7"  =~  /\d/      # Match, "7" is a digit.
 414  " "  =~  /\s/      # Match, a space is whitespace.
 415  "a"  =~  /\D/      # Match, "a" is a non-digit.
 416  "7"  =~  /\D/      # No match, "7" is not a non-digit.
 417  " "  =~  /\S/      # No match, a space is not non-whitespace.
 418
 419  " "  =~  /\h/      # Match, space is horizontal whitespace.
 420  " "  =~  /\v/      # No match, space is not vertical whitespace.
 421  "\r" =~  /\v/      # Match, a return is vertical whitespace.
 422
 423  "a"  =~  /\pL/     # Match, "a" is a letter.
 424  "a"  =~  /\p{Lu}/  # No match, /\p{Lu}/ matches upper case letters.
 425
 426  "\x{0e0b}" =~ /\p{Thai}/  # Match, \x{0e0b} is the character
 427                            # 'THAI CHARACTER SO SO', and that's in
 428                            # Thai Unicode class.
 429  "a"  =~  /\P{Lao}/ # Match, as "a" is not a Laotian character.
 430
 431 It is worth emphasizing that C<\d>, C<\w>, etc, match single characters, not
 432 complete numbers or words. To match a number (that consists of digits),
 433 use C<\d+>; to match a word, use C<\w+>.  But be aware of the security
 434 considerations in doing so, as mentioned above.
 435
 436 =head2 Bracketed Character Classes
 437
 438 The third form of character class you can use in Perl regular expressions
 439 is the bracketed character class.  In its simplest form, it lists the characters
 440 that may be matched, surrounded by square brackets, like this: C<[aeiou]>.
 441 This matches one of C<a>, C<e>, C<i>, C<o> or C<u>.  Like the other
 442 character classes, exactly one character is matched.* To match
 443 a longer string consisting of characters mentioned in the character
 444 class, follow the character class with a L<quantifier|perlre/Quantifiers>.  For
 445 instance, C<[aeiou]+> matches one or more lowercase English vowels.
 446
 447 Repeating a character in a character class has no
 448 effect; it's considered to be in the set only once.
 449
 450 Examples:
 451
 452  "e"  =~  /[aeiou]/        # Match, as "e" is listed in the class.
 453  "p"  =~  /[aeiou]/        # No match, "p" is not listed in the class.
 454  "ae" =~  /^[aeiou]$/      # No match, a character class only matches
 455                            # a single character.
 456  "ae" =~  /^[aeiou]+$/     # Match, due to the quantifier.
 457
 458  -------
 459
 460 * There is an exception to a bracketed character class matching a
 461 single character only.  When the class is to match caselessly under C</i>
 462 matching rules, and a character that is explicitly mentioned inside the
 463 class matches a
 464 multiple-character sequence caselessly under Unicode rules, the class
 465 (when not L<inverted|/Negation>) will also match that sequence.  For
 466 example, Unicode says that the letter C<LATIN SMALL LETTER SHARP S>
 467 should match the sequence C<ss> under C</i> rules.  Thus,
 468
 469  'ss' =~ /\A\N{LATIN SMALL LETTER SHARP S}\z/i             # Matches
 470  'ss' =~ /\A[aeioust\N{LATIN SMALL LETTER SHARP S}]\z/i    # Matches
 471
 472 For this to happen, the character must be explicitly specified, and not
 473 be part of a multi-character range (not even as one of its endpoints).
 474 (L</Character Ranges> will be explained shortly.)  Therefore,
 475
 476  'ss' =~ /\A[\0-\x{ff}]\z/i        # Doesn't match
 477  'ss' =~ /\A[\0-\N{LATIN SMALL LETTER SHARP S}]\z/i    # No match
 478  'ss' =~ /\A[\xDF-\xDF]\z/i    # Matches on ASCII platforms, since \XDF
 479                                # is LATIN SMALL LETTER SHARP S, and the
 480                                # range is just a single element
 481
 482 Note that it isn't a good idea to specify these types of ranges anyway.
 483
 484 =head3 Special Characters Inside a Bracketed Character Class
 485
 486 Most characters that are meta characters in regular expressions (that
 487 is, characters that carry a special meaning like C<.>, C<*>, or C<(>) lose
 488 their special meaning and can be used inside a character class without
 489 the need to escape them. For instance, C<[()]> matches either an opening
 490 parenthesis, or a closing parenthesis, and the parens inside the character
 491 class don't group or capture.
 492
 493 Characters that may carry a special meaning inside a character class are:
 494 C<\>, C<^>, C<->, C<[> and C<]>, and are discussed below. They can be
 495 escaped with a backslash, although this is sometimes not needed, in which
 496 case the backslash may be omitted.
 497
 498 The sequence C<\b> is special inside a bracketed character class. While
 499 outside the character class, C<\b> is an assertion indicating a point
 500 that does not have either two word characters or two non-word characters
 501 on either side, inside a bracketed character class, C<\b> matches a
 502 backspace character.
 503
 504 The sequences
 505 C<\a>,
 506 C<\c>,
 507 C<\e>,
 508 C<\f>,
 509 C<\n>,
 510 C<\N{I<NAME>}>,
 511 C<\N{U+I<hex char>}>,
 512 C<\r>,
 513 C<\t>,
 514 and
 515 C<\x>
 516 are also special and have the same meanings as they do outside a
 517 bracketed character class.  (However, inside a bracketed character
 518 class, if C<\N{I<NAME>}> expands to a sequence of characters, only the first
 519 one in the sequence is used, with a warning.)
 520
 521 Also, a backslash followed by two or three octal digits is considered an octal
 522 number.
 523
 524 A C<[> is not special inside a character class, unless it's the start of a
 525 POSIX character class (see L</POSIX Character Classes> below). It normally does
 526 not need escaping.
 527
 528 A C<]> is normally either the end of a POSIX character class (see
 529 L</POSIX Character Classes> below), or it signals the end of the bracketed
 530 character class.  If you want to include a C<]> in the set of characters, you
 531 must generally escape it.
 532
 533 However, if the C<]> is the I<first> (or the second if the first
 534 character is a caret) character of a bracketed character class, it
 535 does not denote the end of the class (as you cannot have an empty class)
 536 and is considered part of the set of characters that can be matched without
 537 escaping.
 538
 539 Examples:
 540
 541  "+"   =~ /[+?*]/     #  Match, "+" in a character class is not special.
 542  "\cH" =~ /[\b]/      #  Match, \b inside in a character class.
 543                       #  is equivalent to a backspace.
 544  "]"   =~ /[][]/      #  Match, as the character class contains.
 545                       #  both [ and ].
 546  "[]"  =~ /[[]]/      #  Match, the pattern contains a character class
 547                       #  containing just ], and the character class is
 548                       #  followed by a ].
 549
 550 =head3 Character Ranges
 551
 552 It is not uncommon to want to match a range of characters. Luckily, instead
 553 of listing all characters in the range, one may use the hyphen (C<->).
 554 If inside a bracketed character class you have two characters separated
 555 by a hyphen, it's treated as if all characters between the two were in
 556 the class. For instance, C<[0-9]> matches any ASCII digit, and C<[a-m]>
 557 matches any lowercase letter from the first half of the ASCII alphabet.
 558
 559 Note that the two characters on either side of the hyphen are not
 560 necessarily both letters or both digits. Any character is possible,
 561 although not advisable.  C<['-?]> contains a range of characters, but
 562 most people will not know which characters that means.  Furthermore,
 563 such ranges may lead to portability problems if the code has to run on
 564 a platform that uses a different character set, such as EBCDIC.
 565
 566 If a hyphen in a character class cannot syntactically be part of a range, for
 567 instance because it is the first or the last character of the character class,
 568 or if it immediately follows a range, the hyphen isn't special, and so is
 569 considered a character to be matched literally.  If you want a hyphen in
 570 your set of characters to be matched and its position in the class is such
 571 that it could be considered part of a range, you must escape that hyphen
 572 with a backslash.
 573
 574 Examples:
 575
 576  [a-z]       #  Matches a character that is a lower case ASCII letter.
 577  [a-fz]      #  Matches any letter between 'a' and 'f' (inclusive) or
 578              #  the letter 'z'.
 579  [-z]        #  Matches either a hyphen ('-') or the letter 'z'.
 580  [a-f-m]     #  Matches any letter between 'a' and 'f' (inclusive), the
 581              #  hyphen ('-'), or the letter 'm'.
 582  ['-?]       #  Matches any of the characters  '()*+,-./0123456789:;<=>?
 583              #  (But not on an EBCDIC platform).
 584
 585
 586 =head3 Negation
 587
 588 It is also possible to instead list the characters you do not want to
 589 match. You can do so by using a caret (C<^>) as the first character in the
 590 character class. For instance, C<[^a-z]> matches any character that is not a
 591 lowercase ASCII letter, which therefore includes more than a million
 592 Unicode code points.  The class is said to be "negated" or "inverted".
 593
 594 This syntax make the caret a special character inside a bracketed character
 595 class, but only if it is the first character of the class. So if you want
 596 the caret as one of the characters to match, either escape the caret or
 597 else don't list it first.
 598
 599 In inverted bracketed character classes, Perl ignores the Unicode rules
 600 that normally say that certain characters should match a sequence of
 601 multiple characters under caseless C</i> matching.  Following those
 602 rules could lead to highly confusing situations:
 603
 604  "ss" =~ /^[^\xDF]+$/ui;   # Matches!
 605
 606 This should match any sequences of characters that aren't C<\xDF> nor
 607 what C<\xDF> matches under C</i>.  C<"s"> isn't C<\xDF>, but Unicode
 608 says that C<"ss"> is what C<\xDF> matches under C</i>.  So which one
 609 "wins"? Do you fail the match because the string has C<ss> or accept it
 610 because it has an C<s> followed by another C<s>?  Perl has chosen the
 611 latter.
 612
 613 Examples:
 614
 615  "e"  =~  /[^aeiou]/   #  No match, the 'e' is listed.
 616  "x"  =~  /[^aeiou]/   #  Match, as 'x' isn't a lowercase vowel.
 617  "^"  =~  /[^^]/       #  No match, matches anything that isn't a caret.
 618  "^"  =~  /[x^]/       #  Match, caret is not special here.
 619
 620 =head3 Backslash Sequences
 621
 622 You can put any backslash sequence character class (with the exception of
 623 C<\N> and C<\R>) inside a bracketed character class, and it will act just
 624 as if you had put all characters matched by the backslash sequence inside the
 625 character class. For instance, C<[a-f\d]> matches any decimal digit, or any
 626 of the lowercase letters between 'a' and 'f' inclusive.
 627
 628 C<\N> within a bracketed character class must be of the forms C<\N{I<name>}>
 629 or C<\N{U+I<hex char>}>, and NOT be the form that matches non-newlines,
 630 for the same reason that a dot C<.> inside a bracketed character class loses
 631 its special meaning: it matches nearly anything, which generally isn't what you
 632 want to happen.
 633
 634
 635 Examples:
 636
 637  /[\p{Thai}\d]/     # Matches a character that is either a Thai
 638                     # character, or a digit.
 639  /[^\p{Arabic}()]/  # Matches a character that is neither an Arabic
 640                     # character, nor a parenthesis.
 641
 642 Backslash sequence character classes cannot form one of the endpoints
 643 of a range.  Thus, you can't say:
 644
 645  /[\p{Thai}-\d]/     # Wrong!
 646
 647 =head3 POSIX Character Classes
 648 X<character class> X<\p> X<\p{}>
 649 X<alpha> X<alnum> X<ascii> X<blank> X<cntrl> X<digit> X<graph>
 650 X<lower> X<print> X<punct> X<space> X<upper> X<word> X<xdigit>
 651
 652 POSIX character classes have the form C<[:class:]>, where I<class> is the
 653 name, and the C<[:> and C<:]> delimiters. POSIX character classes only appear
 654 I<inside> bracketed character classes, and are a convenient and descriptive
 655 way of listing a group of characters.
 656
 657 Be careful about the syntax,
 658
 659  # Correct:
 660  $string =~ /[[:alpha:]]/
 661
 662  # Incorrect (will warn):
 663  $string =~ /[:alpha:]/
 664
 665 The latter pattern would be a character class consisting of a colon,
 666 and the letters C<a>, C<l>, C<p> and C<h>.
 667
 668 POSIX character classes can be part of a larger bracketed character class.
 669 For example,
 670
 671  [01[:alpha:]%]
 672
 673 is valid and matches '0', '1', any alphabetic character, and the percent sign.
 674
 675 Perl recognizes the following POSIX character classes:
 676
 677  alpha  Any alphabetical character ("[A-Za-z]").
 678  alnum  Any alphanumeric character ("[A-Za-z0-9]").
 679  ascii  Any character in the ASCII character set.
 680  blank  A GNU extension, equal to a space or a horizontal tab ("\t").
 681  cntrl  Any control character.  See Note [2] below.
 682  digit  Any decimal digit ("[0-9]"), equivalent to "\d".
 683  graph  Any printable character, excluding a space.  See Note [3] below.
 684  lower  Any lowercase character ("[a-z]").
 685  print  Any printable character, including a space.  See Note [4] below.
 686  punct  Any graphical character excluding "word" characters.  Note [5].
 687  space  Any whitespace character. "\s" including the vertical tab
 688         ("\cK").
 689  upper  Any uppercase character ("[A-Z]").
 690  word   A Perl extension ("[A-Za-z0-9_]"), equivalent to "\w".
 691  xdigit Any hexadecimal digit ("[0-9a-fA-F]").
 692
 693 Most POSIX character classes have two Unicode-style C<\p> property
 694 counterparts.  (They are not official Unicode properties, but Perl extensions
 695 derived from official Unicode properties.)  The table below shows the relation
 696 between POSIX character classes and these counterparts.
 697
 698 One counterpart, in the column labelled "ASCII-range Unicode" in
 699 the table, matches only characters in the ASCII character set.
 700
 701 The other counterpart, in the column labelled "Full-range Unicode", matches any
 702 appropriate characters in the full Unicode character set.  For example,
 703 C<\p{Alpha}> matches not just the ASCII alphabetic characters, but any
 704 character in the entire Unicode character set considered alphabetic.
 705 An entry in the column labelled "backslash sequence" is a (short)
 706 equivalent.
 707
 708  [[:...:]]      ASCII-range          Full-range  backslash  Note
 709                  Unicode              Unicode     sequence
 710  -----------------------------------------------------
 711    alpha      \p{PosixAlpha}       \p{XPosixAlpha}
 712    alnum      \p{PosixAlnum}       \p{XPosixAlnum}
 713    ascii      \p{ASCII}
 714    blank      \p{PosixBlank}       \p{XPosixBlank}  \h      [1]
 715                                    or \p{HorizSpace}        [1]
 716    cntrl      \p{PosixCntrl}       \p{XPosixCntrl}          [2]
 717    digit      \p{PosixDigit}       \p{XPosixDigit}  \d
 718    graph      \p{PosixGraph}       \p{XPosixGraph}          [3]
 719    lower      \p{PosixLower}       \p{XPosixLower}
 720    print      \p{PosixPrint}       \p{XPosixPrint}          [4]
 721    punct      \p{PosixPunct}       \p{XPosixPunct}          [5]
 722               \p{PerlSpace}        \p{XPerlSpace}   \s      [6]
 723    space      \p{PosixSpace}       \p{XPosixSpace}          [6]
 724    upper      \p{PosixUpper}       \p{XPosixUpper}
 725    word       \p{PosixWord}        \p{XPosixWord}   \w
 726    xdigit     \p{PosixXDigit}      \p{XPosixXDigit}
 727
 728 =over 4
 729
 730 =item [1]
 731
 732 C<\p{Blank}> and C<\p{HorizSpace}> are synonyms.
 733
 734 =item [2]
 735
 736 Control characters don't produce output as such, but instead usually control
 737 the terminal somehow: for example, newline and backspace are control characters.
 738 In the ASCII range, characters whose code points are between 0 and 31 inclusive,
 739 plus 127 (C<DEL>) are control characters.
 740
 741 =item [3]
 742
 743 Any character that is I<graphical>, that is, visible. This class consists
 744 of all alphanumeric characters and all punctuation characters.
 745
 746 =item [4]
 747
 748 All printable characters, which is the set of all graphical characters
 749 plus those whitespace characters which are not also controls.
 750
 751 =item [5]
 752
 753 C<\p{PosixPunct}> and C<[[:punct:]]> in the ASCII range match all
 754 non-controls, non-alphanumeric, non-space characters:
 755 C<[-!"#$%&'()*+,./:;<=E<gt>?@[\\\]^_`{|}~]> (although if a locale is in effect,
 756 it could alter the behavior of C<[[:punct:]]>).
 757
 758 The similarly named property, C<\p{Punct}>, matches a somewhat different
 759 set in the ASCII range, namely
 760 C<[-!"#%&'()*,./:;?@[\\\]_{}]>.  That is, it is missing the nine
 761 characters C<[$+E<lt>=E<gt>^`|~]>.
 762 This is because Unicode splits what POSIX considers to be punctuation into two
 763 categories, Punctuation and Symbols.
 764
 765 C<\p{XPosixPunct}> and (under Unicode rules) C<[[:punct:]]>, match what
 766 C<\p{PosixPunct}> matches in the ASCII range, plus what C<\p{Punct}>
 767 matches.  This is different than strictly matching according to
 768 C<\p{Punct}>.  Another way to say it is that
 769 if Unicode rules are in effect, C<[[:punct:]]> matches all characters
 770 that Unicode considers punctuation, plus all ASCII-range characters that
 771 Unicode considers symbols.
 772
 773 =item [6]
 774
 775 C<\p{SpacePerl}> and C<\p{Space}> match identically starting with Perl
 776 v5.18.  In earlier versions, these differ only in that in non-locale
 777 matching, C<\p{SpacePerl}> does not match the vertical tab, C<\cK>.
 778 Same for the two ASCII-only range forms.
 779
 780 =back
 781
 782 There are various other synonyms that can be used besides the names
 783 listed in the table.  For example, C<\p{PosixAlpha}> can be written as
 784 C<\p{Alpha}>.  All are listed in
 785 L<perluniprops/Properties accessible through \p{} and \P{}>.
 786
 787 Both the C<\p> counterparts always assume Unicode rules are in effect.
 788 On ASCII platforms, this means they assume that the code points from 128
 789 to 255 are Latin-1, and that means that using them under locale rules is
 790 unwise unless the locale is guaranteed to be Latin-1 or UTF-8.  In contrast, the
 791 POSIX character classes are useful under locale rules.  They are
 792 affected by the actual rules in effect, as follows:
 793
 794 =over
 795
 796 =item If the C</a> modifier, is in effect ...
 797
 798 Each of the POSIX classes matches exactly the same as their ASCII-range
 799 counterparts.
 800
 801 =item otherwise ...
 802
 803 =over
 804
 805 =item For code points above 255 ...
 806
 807 The POSIX class matches the same as its Full-range counterpart.
 808
 809 =item For code points below 256 ...
 810
 811 =over
 812
 813 =item if locale rules are in effect ...
 814
 815 The POSIX class matches according to the locale, except:
 816
 817 =over
 818
 819 =item C<word>
 820
 821 also includes the platform's native underscore character, no matter what
 822 the locale is.
 823
 824 =item C<ascii>
 825
 826 on platforms that don't have the POSIX C<ascii> extension, this matches
 827 just the platform's native ASCII-range characters.
 828
 829 =item C<blank>
 830
 831 on platforms that don't have the POSIX C<blank> extension, this matches
 832 just the platform's native tab and space characters.
 833
 834 =back
 835
 836 =item if Unicode rules are in effect ...
 837
 838 The POSIX class matches the same as the Full-range counterpart.
 839
 840 =item otherwise ...
 841
 842 The POSIX class matches the same as the ASCII range counterpart.
 843
 844 =back
 845
 846 =back
 847
 848 =back
 849
 850 Which rules apply are determined as described in
 851 L<perlre/Which character set modifier is in effect?>.
 852
 853 It is proposed to change this behavior in a future release of Perl so that
 854 whether or not Unicode rules are in effect would not change the
 855 behavior:  Outside of locale, the POSIX classes
 856 would behave like their ASCII-range counterparts.  If you wish to
 857 comment on this proposal, send email to C<perl5-porters@perl.org>.
 858
 859 =head4 Negation of POSIX character classes
 860 X<character class, negation>
 861
 862 A Perl extension to the POSIX character class is the ability to
 863 negate it. This is done by prefixing the class name with a caret (C<^>).
 864 Some examples:
 865
 866      POSIX         ASCII-range     Full-range  backslash
 867                     Unicode         Unicode    sequence
 868  -----------------------------------------------------
 869  [[:^digit:]]   \P{PosixDigit}  \P{XPosixDigit}   \D
 870  [[:^space:]]   \P{PosixSpace}  \P{XPosixSpace}
 871                 \P{PerlSpace}   \P{XPerlSpace}    \S
 872  [[:^word:]]    \P{PerlWord}    \P{XPosixWord}    \W
 873
 874 The backslash sequence can mean either ASCII- or Full-range Unicode,
 875 depending on various factors as described in L<perlre/Which character set modifier is in effect?>.
 876
 877 =head4 [= =] and [. .]
 878
 879 Perl recognizes the POSIX character classes C<[=class=]> and
 880 C<[.class.]>, but does not (yet?) support them.  Any attempt to use
 881 either construct raises an exception.
 882
 883 =head4 Examples
 884
 885  /[[:digit:]]/            # Matches a character that is a digit.
 886  /[01[:lower:]]/          # Matches a character that is either a
 887                           # lowercase letter, or '0' or '1'.
 888  /[[:digit:][:^xdigit:]]/ # Matches a character that can be anything
 889                           # except the letters 'a' to 'f' and 'A' to
 890                           # 'F'.  This is because the main character
 891                           # class is composed of two POSIX character
 892                           # classes that are ORed together, one that
 893                           # matches any digit, and the other that
 894                           # matches anything that isn't a hex digit.
 895                           # The OR adds the digits, leaving only the
 896                           # letters 'a' to 'f' and 'A' to 'F' excluded.
 897
 898 =head3 Extended Bracketed Character Classes
 899 X<character class>
 900 X<set operations>
 901
 902 This is a fancy bracketed character class that can be used for more
 903 readable and less error-prone classes, and to perform set operations,
 904 such as intersection. An example is
 905
 906  /(?[ \p{Thai} & \p{Digit} ])/
 907
 908 This will match all the digit characters that are in the Thai script.
 909
 910 This is an experimental feature available starting in 5.18, and is
 911 subject to change as we gain field experience with it.  Any attempt to
 912 use it will raise a warning, unless disabled via
 913
 914  no warnings "experimental::regex_sets";
 915
 916 Comments on this feature are welcome; send email to
 917 C<perl5-porters@perl.org>.
 918
 919 We can extend the example above:
 920
 921  /(?[ ( \p{Thai} + \p{Lao} ) & \p{Digit} ])/
 922
 923 This matches digits that are in either the Thai or Laotian scripts.
 924
 925 Notice the white space in these examples.  This construct always has
 926 the C<E<sol>x> modifier turned on within it.
 927
 928 The available binary operators are:
 929
 930  &    intersection
 931  +    union
 932  |    another name for '+', hence means union
 933  -    subtraction (the result matches the set consisting of those
 934       code points matched by the first operand, excluding any that
 935       are also matched by the second operand)
 936  ^    symmetric difference (the union minus the intersection).  This
 937       is like an exclusive or, in that the result is the set of code
 938       points that are matched by either, but not both, of the
 939       operands.
 940
 941 There is one unary operator:
 942
 943  !    complement
 944
 945 All the binary operators left associate, and are of equal precedence.
 946 The unary operator right associates, and has higher precedence.  Use
 947 parentheses to override the default associations.  Some feedback we've
 948 received indicates a desire for intersection to have higher precedence
 949 than union.  This is something that feedback from the field may cause us
 950 to change in future releases; you may want to parenthesize copiously to
 951 avoid such changes affecting your code, until this feature is no longer
 952 considered experimental.
 953
 954 The main restriction is that everything is a metacharacter.  Thus,
 955 you cannot refer to single characters by doing something like this:
 956
 957  /(?[ a + b ])/ # Syntax error!
 958
 959 The easiest way to specify an individual typable character is to enclose
 960 it in brackets:
 961
 962  /(?[ [a] + [b] ])/
 963
 964 (This is the same thing as C<[ab]>.)  You could also have said the
 965 equivalent:
 966
 967  /(?[[ a b ]])/
 968
 969 (You can, of course, specify single characters by using, C<\x{...}>,
 970 C<\N{...}>, etc.)
 971
 972 This last example shows the use of this construct to specify an ordinary
 973 bracketed character class without additional set operations.  Note the
 974 white space within it; C<E<sol>x> is turned on even within bracketed
 975 character classes, except you can't have comments inside them.  Hence,
 976
 977  (?[ [#] ])
 978
 979 matches the literal character "#".  To specify a literal white space character,
 980 you can escape it with a backslash, like:
 981
 982  /(?[ [ a e i o u \  ] ])/
 983
 984 This matches the English vowels plus the SPACE character.
 985 All the other escapes accepted by normal bracketed character classes are
 986 accepted here as well; but unrecognized escapes that generate warnings
 987 in normal classes are fatal errors here.
 988
 989 All warnings from these class elements are fatal, as well as some
 990 practices that don't currently warn.  For example you cannot say
 991
 992  /(?[ [ \xF ] ])/     # Syntax error!
 993
 994 You have to have two hex digits after a braceless C<\x> (use a leading
 995 zero to make two).  These restrictions are to lower the incidence of
 996 typos causing the class to not match what you thought it would.
 997
 998 If a regular bracketed character class contains a C<\p{}> or C<\P{}> and
 999 is matched against a non-Unicode code point, a warning may be
1000 raised, as the result is not Unicode-defined.  No such warning will come
1001 when using this extended form.
1002
1003 The final difference between regular bracketed character classes and
1004 these, is that it is not possible to get these to match a
1005 multi-character fold.  Thus,
1006
1007  /(?[ [\xDF] ])/iu
1008
1009 does not match the string C<ss>.
1010
1011 You don't have to enclose POSIX class names inside double brackets,
1012 hence both of the following work:
1013
1014  /(?[ [:word:] - [:lower:] ])/
1015  /(?[ [[:word:]] - [[:lower:]] ])/
1016
1017 Any contained POSIX character classes, including things like C<\w> and C<\D>
1018 respect the C<E<sol>a> (and C<E<sol>aa>) modifiers.
1019
1020 C<< (?[ ]) >> is a regex-compile-time construct.  Any attempt to use
1021 something which isn't knowable at the time the containing regular
1022 expression is compiled is a fatal error.  In practice, this means
1023 just three limitations:
1024
1025 =over 4
1026
1027 =item 1
1028
1029 This construct cannot be used within the scope of
1030 C<use locale> (or the C<E<sol>l> regex modifier).
1031
1032 =item 2
1033
1034 Any
1035 L<user-defined property|perlunicode/"User-Defined Character Properties">
1036 used must be already defined by the time the regular expression is
1037 compiled (but note that this construct can be used instead of such
1038 properties).
1039
1040 =item 3
1041
1042 A regular expression that otherwise would compile
1043 using C<E<sol>d> rules, and which uses this construct will instead
1044 use C<E<sol>u>.  Thus this construct tells Perl that you don't want
1045 C<E<sol>d> rules for the entire regular expression containing it.
1046
1047 =back
1048
1049 The C<E<sol>x> processing within this class is an extended form.
1050 Besides the characters that are considered white space in normal C</x>
1051 processing, there are 5 others, recommended by the Unicode standard:
1052
1053  U+0085 NEXT LINE
1054  U+200E LEFT-TO-RIGHT MARK
1055  U+200F RIGHT-TO-LEFT MARK
1056  U+2028 LINE SEPARATOR
1057  U+2029 PARAGRAPH SEPARATOR
1058
1059 Note that skipping white space applies only to the interior of this
1060 construct.  There must not be any space between any of the characters
1061 that form the initial C<(?[>.  Nor may there be space between the
1062 closing C<])> characters.
1063
1064 Just as in all regular expressions, the pattern can be built up by
1065 including variables that are interpolated at regex compilation time.
1066 Care must be taken to ensure that you are getting what you expect.  For
1067 example:
1068
1069  my $thai_or_lao = '\p{Thai} + \p{Lao}';
1070  ...
1071  qr/(?[ \p{Digit} & $thai_or_lao ])/;
1072
1073 compiles to
1074
1075  qr/(?[ \p{Digit} & \p{Thai} + \p{Lao} ])/;
1076
1077 But this does not have the effect that someone reading the code would
1078 likely expect, as the intersection applies just to C<\p{Thai}>,
1079 excluding the Laotian.  Pitfalls like this can be avoided by
1080 parenthesizing the component pieces:
1081
1082  my $thai_or_lao = '( \p{Thai} + \p{Lao} )';
1083
1084 But any modifiers will still apply to all the components:
1085
1086  my $lower = '\p{Lower} + \p{Digit}';
1087  qr/(?[ \p{Greek} & $lower ])/i;
1088
1089 matches upper case things.  You can avoid surprises by making the
1090 components into instances of this construct by compiling them:
1091
1092  my $thai_or_lao = qr/(?[ \p{Thai} + \p{Lao} ])/;
1093  my $lower = qr/(?[ \p{Lower} + \p{Digit} ])/;
1094
1095 When these are embedded in another pattern, what they match does not
1096 change, regardless of parenthesization or what modifiers are in effect
1097 in that outer pattern.
1098
1099 Due to the way that Perl parses things, your parentheses and brackets
1100 may need to be balanced, even including comments.  If you run into any
1101 examples, please send them to C<perlbug@perl.org>, so that we can have a
1102 concrete example for this man page.
1103
1104 We may change it so that things that remain legal uses in normal bracketed
1105 character classes might become illegal within this experimental
1106 construct.  One proposal, for example, is to forbid adjacent uses of the
1107 same character, as in C<(?[ [aa] ])>.  The motivation for such a change
1108 is that this usage is likely a typo, as the second "a" adds nothing.