E aí pessoas!

Estou de volta pra continuar de onde paramos no post sobre as chaves e incrementar um pouco mais nossa regex marota pra capturar URLs.

Nossa regex está assim:

Hoje eu quero que ela seja capaz de capturar URLs com domínios sem o “.xx” no final, como aquelas que terminam em “.com”, “.org”, “.co”, etc.

Como de costume, hora de refletir…

Eu já mostrei que o ? tem a habilidade de tornar um elemento opcional. Mas não é bem isso que eu quero. Pensando bem até é, mas não com o limite de um único caractere. O que eu queria é que todo o bloco fosse opcional. Ou aparecem todos juntos, ou não aparece ninguém.

Sabemos o que queremos. É um excelente começo. A próxima questão é: será que é possível fazer isso em uma regex?

Com certeza. Podemos utilizar os parênteses para agrupar elementos dentro da regex. Os grupos servem para determinar o escopo de alguns operadores. Por exemplo, se colocarmos um quantificador após um grupo, seu efeito vale para todo o grupo, como se o grupo fosse um único elemento na expressão.

Já podemos atualizar nossa expressão. A ideia é agrupar o trecho final \.[a-z]{2} e torná-lo opcional:

Show de bola!

Muitos sites permitem a omissão do subdomínio “www.”. Pra aceitar estes sites, podemos usar os parênteses em conjunto com o interrogação e tornar o www\. opcional:

Funciona que é uma beleza!… Mas pera um pouco! Viram aquilo?

Hmmm… Um falso-positivo… Que beleza…

Eu não vou alterar a regex pra parar de capturar este caso porque eu quero evitar a fadiga (Os invejosos dirão que eu não sei resolver o problema). Mas a análise da razão deste match será muito proveitosa para nós.

Bora tentar entender o que aconteceu:

A imagem acima destaca os trechos da regex que deram match com os trechos da URL. Vamos analisar por partes:

1. https?:\/\/ captura o trecho “http://”;
2. (www\.)? não captura nada. Por ser um trecho opcional, tudo OK;
3. [a-z-]{3,}\. captura o trecho “www.”;
4. [a-z]{2,3} captura o trecho “ab”;
5. (\.[a-z]{2})? captura o trecho “.co”. Por ser o fim da regex, o match é bem-sucedido.

Excelente pergunta!

Para entender o que está acontecendo de fato, precisamos conhecer uma característica dos operadores quantificadores: eles são gulosos por natureza.

Quando digo que os quantificadores são gulosos, quero dizer que eles tentam capturar o maior trecho que conseguirem, dentro dos limites permitidos. A regra se aplica a todos os quantificadores que vimos nos posts anteriores: ?, +, * e {n,m}.

Muito boa sacada! Mas muita hora nessa calma, eu já estava chegando lá.

A questão é que uma expressão regular é bem-sucedida apenas se todos os seus componentes forem bem-sucedidos. Se qualquer parte integrante da expressão falhar em capturar o que deve, toda a expressão falha.

Os quantificadores são gulosos, mas não são egoístas a ponto de sacrificar todo mundo apenas pra saciar sua gula. Se capturar o máximo possível significa condenar algum companheiro ao insucesso, o quantificador opta por capturar menos do que lhe é permitido.

Pra clarear as ideias, eu usei toda a minha habilidade artística pra preparar, no Paint, uma imagem que retrata como seria o mundo se os quantificadores fossem egoístas e se colocassem acima do sucesso da missão:

Como podem ver, a partir do momento que o (www\.)? captura o trecho “www.”, ele condena a expressão regular inteira ao fracasso.

Agora vejam uma imagem retratando o mundo real:

Esta imagem retrata o que está acontecendo de fato com nossa regex, onde o (www\.)? abre mão de sua gulodice em prol do sucesso de todo o conjunto.

Interessante, não?

Assim, eu encerro o assunto dos quantificadores e me despeço da nossa querida regex pra matching de URLs.

Pois é, hora de desapegar. No próximo post, escreveremos novas expressões e conheceremos uma nova categoria de operadores.

Mas não posso fechar o post antes de atualizar a tabela de operadores:

Valeu pessoas! Até a próxima!

Falou…

Aí vem as Chaves… Chaves… Chaves… O que foi que ele disse?