Regular expressions: the core syntaxالتعابير النمطية (Regex): الصياغة الأساسية

In 1966 Joseph Weizenbaum at MIT published a program that imitated a Rogerian psychotherapist, the kind of therapist who reflects the patient's own words back as questions. He called it ELIZA. Read the exchange below as a patient would have, one line at a time.

في عام 1966 نشر Joseph Weizenbaum في MIT برنامجًا يقلّد معالجًا نفسيًا من مدرسة Rogerian، وهو نوع من المعالجين يعكس كلمات المريض نفسها ويعيدها إليه على هيئة أسئلة. سمّاه ELIZA. اقرأ المحادثة أدناه كما كان سيقرؤها مريض، سطرًا بعد سطر.

It reads like attention. It is not. The whole program is a list of keywords, and for each keyword a small set of decomposition rules that split the input around the keyword, paired with reassembly rules that build a reply out of the pieces. Weizenbaum wrote the rules in his own notation. A decomposition rule such as (0 YOU 0 ME) means "an indefinite number of words, then YOU, then an indefinite number of words, then ME", and its reassembly rule (WHAT MAKES YOU THINK I 3 YOU) inserts the third component, whatever words stood between YOU and ME, into a fixed frame (Weizenbaum, 1966, p. 38). The dictionary he had built "so far" contained about 50 keywords. Nothing is parsed, nothing is understood, and the program has no memory of what "mother" means beyond the fact that it is filed under FAMILY.

تبدو كأنها إصغاء واهتمام، وليست كذلك. البرنامج كله قائمة من الكلمات المفتاحية، ولكل كلمة مفتاحية مجموعة صغيرة من قواعد التفكيك (decomposition rules) التي تقسم المُدخل حول الكلمة المفتاحية، ومعها قواعد إعادة التركيب (reassembly rules) التي تبني ردًا من القطع. كتب Weizenbaum القواعد بترميزه الخاص. قاعدة تفكيك مثل (0 YOU 0 ME) تعني «عدد غير محدد من الكلمات، ثم YOU، ثم عدد غير محدد من الكلمات، ثم ME»، وقاعدة إعادة التركيب المرافقة لها (WHAT MAKES YOU THINK I 3 YOU) تُدخل المكوّن الثالث، أي الكلمات التي وقعت بين YOU وME أيًا كانت، في إطار ثابت (Weizenbaum, 1966, p. 38). والقاموس الذي كان قد بناه «حتى الآن» ضم نحو 50 كلمة مفتاحية. لا يُحلَّل شيء نحويًا، ولا يُفهم شيء، والبرنامج لا يعرف عن معنى «mother» شيئًا سوى أنها مصنّفة تحت FAMILY.

Jurafsky and Martin rewrite the same idea in modern regular expression syntax, and this is the version to remember. After the input is uppercased and pronouns are swapped (I'M becomes YOU ARE, MY becomes YOUR), rules like these run in order until one fires (SLP3, section 2.6.7):

يعيد Jurafsky وMartin كتابة الفكرة نفسها بصياغة regular expression الحديثة، وهذه هي النسخة التي يجب أن تتذكرها. بعد تحويل المُدخل إلى حروف كبيرة وتبديل الضمائر (I'M تصبح YOU ARE، وMY تصبح YOUR)، تُجرَّب قواعد كهذه بالترتيب حتى تنطلق إحداها (SLP3, section 2.6.7):

• re.sub(r".* YOU ARE (DEPRESSED|SAD) .*", r"I AM SORRY TO HEAR YOU ARE \1", input)re.sub(r".* YOU ARE (DEPRESSED|SAD) .*", r"I AM SORRY TO HEAR YOU ARE \1", input)
• re.sub(r".* ALWAYS .*", r"CAN YOU THINK OF A SPECIFIC EXAMPLE", input)re.sub(r".* ALWAYS .*", r"CAN YOU THINK OF A SPECIFIC EXAMPLE", input)

The parentheses and the \1 are a capture group and a Backreference, which the next part treats properly. For now the point is the shape of the machine: a keyword selects a rule, a pattern with wildcards splits the sentence, a frame reassembles the pieces. Weizenbaum's paper opens with the exchange "Men are all alike." answered by "IN WHAT WAY", and the reply is not about men at all: a rule keyed on the wording of the input prints a fixed question with no slot to fill.

القوسان و\1 هما capture group (مجموعة التقاط) وbackreference (إحالة خلفية)، وسيعالجهما الجزء التالي كما ينبغي. المهم الآن هو شكل الآلة: كلمة مفتاحية تختار قاعدة، ونمط فيه رموز شاملة يقسم الجملة، وإطار يعيد تركيب القطع. تبدأ ورقة Weizenbaum بالحوار «Men are all alike.» الذي يجاب عنه بـ «IN WHAT WAY»، والرد لا علاقة له بالرجال أصلًا: قاعدة مرتبطة بصياغة المُدخل تطبع سؤالًا ثابتًا ليس فيه خانة تُملأ.

Why people believed itلماذا صدّقه الناس

Crude as the rules were, SLP3 notes that many people who talked to ELIZA came to believe that it really understood them, and that this led researchers to think for the first time about the impact of chatbots on their users (Weizenbaum, 1976). The effect now carries the program's name. The Eliza effect is the tendency to unconsciously assume that computer behaviors are analogous to human behaviors. Douglas Hofstadter defines its specific form as our susceptibility to read far more understanding than is warranted into strings of symbols strung together by computers (Hofstadter, 1995). The standard illustration is not a chatbot at all but a cash machine that prints THANK YOU at the end of a transaction, which a naive observer might take for real gratitude. ELIZA exploited the same reflex at conversational scale: because it echoed your own words, every reply seemed relevant, and relevance felt like understanding.

رغم بساطة القواعد، يذكر SLP3 أن كثيرًا ممن تحدثوا مع ELIZA صاروا يعتقدون أنه يفهمهم فعلًا، وأن هذا دفع الباحثين إلى التفكير لأول مرة في أثر روبوتات المحادثة على مستخدميها (Weizenbaum, 1976). وصار الأثر يحمل اسم البرنامج. فـ Eliza effect هو الميل اللاواعي إلى افتراض أن سلوك الحاسوب مماثل لسلوك البشر. ويعرّف Douglas Hofstadter شكله الخاص بأنه قابليتنا لأن نقرأ فهمًا أكبر بكثير مما يُبرَّر في سلاسل رموز صفّها الحاسوب بعضها بجانب بعض (Hofstadter, 1995). والمثال المعتاد ليس روبوت محادثة أصلًا، بل جهاز صرف آلي يطبع THANK YOU في نهاية العملية، قد يظنه مراقب ساذج امتنانًا حقيقيًا. استغل ELIZA الردّ الغريزي نفسه على مستوى المحادثة: لأنه يردد كلماتك أنت، بدا كل رد في محله، والملاءمة بدت فهمًا.

What regex is for in an NLP pipelineما فائدة regex في خط معالجة NLP

A regular expression is fast, flexible pattern matching for text. It needs no training data, and it is precise in a way a learned model cannot be: a pattern either matches or it does not, and you can read off why. The slide lists four jobs, and it is worth having a concrete example ready for each.

التعبير النمطي (regular expression) مطابقة أنماط سريعة ومرنة للنصوص. لا يحتاج إلى بيانات تدريب، وهو دقيق بطريقة لا يقدر عليها نموذج متعلَّم: النمط إما أن يطابق أو لا يطابق، وتستطيع أن تقرأ السبب مباشرة. تسرد الشريحة أربع مهام، ومن المفيد أن يكون لديك مثال ملموس جاهز لكل منها.

The slide's last line matters more than it looks: regex is language- and task-dependent. A class like [a-z] says nothing about Arabic letters. A word boundary \b assumes words are made of letters, digits and underscores separated by something else, which fails outright for Chinese, where there are no spaces, and quietly misbehaves for Arabic under an ASCII-only definition of "letter". Recall the typology in part 04: an isolating language and a templatic one need different patterns for the same task, and a pattern tuned for tweets will not fit legal text. Regex gives you precision; it does not give you generality for free.

السطر الأخير في الشريحة أهم مما يبدو: الـ regex يعتمد على اللغة وعلى المهمة. فئة مثل [a-z] لا تقول شيئًا عن الحروف العربية. وword boundary (حد الكلمة) \b يفترض أن الكلمات مكوّنة من حروف وأرقام وشرطات سفلية يفصل بينها شيء آخر، وهذا يفشل تمامًا في الصينية حيث لا مسافات، ويسيء التصرف بصمت في العربية إذا كان تعريف «الحرف» مقصورًا على ASCII. تذكّر التصنيف اللغوي في الجزء 04: اللغة العازلة (isolating) واللغة القالبية (templatic) تحتاجان إلى أنماط مختلفة للمهمة نفسها، والنمط المضبوط للتغريدات لن يناسب النصوص القانونية. الـ regex يمنحك الدقة، لكنه لا يمنحك العمومية مجانًا.

Start with the simplest pattern there is. The regex Buttercup matches the substring Buttercup in "I'm called little Buttercup" and nowhere else (SLP3, section 2.6.1). Each letter is a literal that matches itself, and writing letters one after another means "this, then this, then this". That is concatenation, and abc matches exactly the three characters abc in that order.

ابدأ بأبسط نمط ممكن. الـ regex Buttercup يطابق السلسلة الجزئية Buttercup في «I'm called little Buttercup» ولا يطابق في أي مكان آخر (SLP3, section 2.6.1). كل حرف هنا حرف حرفي (literal) يطابق نفسه، وكتابة الحروف واحدًا بعد آخر تعني «هذا، ثم هذا، ثم هذا». هذا هو التسلسل (concatenation)، وabc يطابق الحروف الثلاثة abc بهذا الترتيب بالضبط.

Two more operators complete the algebra on slide 58. The vertical bar is disjunction: a|b matches either a or b. Parentheses group and define scope, so gupp(y|ies) matches guppy or guppies, while guppy|ies would match guppy or the bare string ies, because the bar has the lowest precedence of all and splits the whole pattern into two halves (SLP3, section 2.6.4). Regex is case sensitive throughout: s does not match S. Concatenation, disjunction and the Kleene star, which the next concept introduces, are the three operations that define regular languages in theory of computation. Parentheses only set scope, and classes, ranges, +, ? and counted repetition are all shorthand built from those three.

عاملان آخران يكملان الجبر في الشريحة 58. الخط العمودي هو الاختيار (disjunction): a|b يطابق a أو b. والأقواس تجمّع وتحدد النطاق، فـ gupp(y|ies) يطابق guppy أو guppies، بينما guppy|ies يطابق guppy أو السلسلة المجردة ies، لأن الخط العمودي له أدنى precedence (أولوية) على الإطلاق فيقسم النمط كله إلى نصفين (SLP3, section 2.6.4). والـ regex حساس لحالة الأحرف في كل مكان: s لا يطابق S. التسلسل والاختيار ونجمة Kleene، التي يقدمها المفهوم التالي، هي العمليات الثلاث التي تعرّف اللغات النظامية (regular languages) في نظرية الحوسبة. الأقواس تحدد النطاق فقط، أما الفئات والنطاقات و+ و? والتكرار المعدود فكلها اختصارات مبنية من تلك العمليات الثلاث.

The square-bracket classفئة الأقواس المربعة

Disjunction between single characters is so common that it has its own notation. A Character class in square brackets matches exactly one character from the set it lists. This is the fix for case sensitivity: [mM]ary matches Mary or mary. Read every row of the next three tables as the slides present them, pattern, meaning, and the first match marked in the example string.

الاختيار بين حروف مفردة شائع جدًا لدرجة أن له ترميزًا خاصًا. الـ character class (فئة الحروف) بين أقواس مربعة تطابق حرفًا واحدًا بالضبط من المجموعة التي تسردها. وهذا هو حل مشكلة حساسية حالة الأحرف: [mM]ary يطابق Mary أو mary. اقرأ كل صف في الجداول الثلاثة التالية كما تعرضه الشرائح: النمط، ومعناه، والمطابقة الأولى معلَّمة في نص المثال.

Look closely at the second row. "In uomini" contains no a, b or c, so the first match is the a in soldati, eighteen characters in. A class matches one character, so a bracket never matches "abc" as a word; SLP3 asks why [catdog] does not mean cat or dog, and the answer is the same: it is one character drawn from c, a, t, d, o, g. Listing every digit is tedious, so a dash inside brackets gives a range in code point order: [0-9], [a-z], [A-Z], but also [2-5] or [b-g].

انظر جيدًا إلى الصف الثاني. «In uomini» لا يحتوي على a ولا b ولا c، فتكون المطابقة الأولى هي a في soldati، بعد ثمانية عشر حرفًا. الفئة تطابق حرفًا واحدًا، لذلك لا تطابق الأقواس أبدًا «abc» ككلمة. ويسأل SLP3 لماذا لا يعني [catdog] «cat أو dog»، والجواب نفسه: إنه حرف واحد مأخوذ من c, a, t, d, o, g. سرد كل الأرقام ممل، لذلك تعطي الشرطة داخل الأقواس نطاقًا (range) بترتيب نقاط الترميز (code point): [0-9] و[a-z] و[A-Z]، وأيضًا [2-5] أو [b-g].

The caret is the last bracket operator, and it is the one that trips people. When the caret is the first character inside brackets, the class is negated and matches any single character not in the set. Anywhere else inside brackets it is an ordinary caret. Python's documentation states both halves: the caret "has no special meaning if it's not the first character in the set", and [^^] matches any character except a caret.

علامة الإقحام ^ (caret) هي آخر عوامل الأقواس، وهي التي يتعثر فيها الناس. حين تكون ^ أول حرف داخل الأقواس، تُنفى الفئة وتطابق أي حرف واحد ليس في المجموعة. وفي أي موضع آخر داخل الأقواس هي حرف ^ عادي. وتوثيق Python يذكر النصفين: العلامة ^ «ليس لها معنى خاص إذا لم تكن الحرف الأول في المجموعة»، و[^^] يطابق أي حرف عدا ^.

Notice also that the third row needed no backslash. Inside brackets, special characters other than the backslash lose their special meaning; the Python documentation gives [(+*)] as a class that matches any of the literal characters (, +, * and ). So [^.] means "not a period" with a plain period, while outside brackets a bare period is the wildcard from the next concept and a literal period must be written \.. The two contexts have different grammars, and reading a pattern means always knowing which one you are in.

لاحظ أيضًا أن الصف الثالث لم يحتج إلى شرطة مائلة عكسية. داخل الأقواس تفقد الحروف الخاصة معناها الخاص، عدا الشرطة المائلة العكسية نفسها. ويعطي توثيق Python المثال [(+*)] كفئة تطابق أيًا من الحروف الحرفية ( و+ و* و). إذن [^.] تعني «ليس نقطة» بنقطة عادية، بينما النقطة المجردة خارج الأقواس هي الرمز الشامل من المفهوم التالي، والنقطة الحرفية هناك يجب أن تُكتب \.. للسياقين قواعد مختلفة، وقراءة أي نمط تعني أن تعرف دائمًا في أيهما أنت.

British and American spelling give the cleanest first example. You want one regex for color and colour. The u is optional, and colou?r says exactly that: the question mark makes the character before it appear zero or one times (SLP3, section 2.6.2). The same trick covers a plural: koalas?.

التهجئة البريطانية والأمريكية تعطي أوضح مثال أول. تريد regex واحدًا لـ color وcolour. حرف u اختياري، وcolou?r يقول ذلك بالضبط: علامة الاستفهام تجعل الحرف الذي قبلها يظهر صفر مرة أو مرة واحدة (SLP3, section 2.6.2). والحيلة نفسها تغطي الجمع: koalas?.

Now try sheep. Their language is baa!, baaa!, baaaa!, any number of a's of at least two. The Kleene star gives zero or more of the previous element, so baaa*! works: two literal a's, then any number more. The Kleene plus gives one or more, so baa+! says the same thing more readably. Both reject b!. Note what ba*! would do: with zero a's allowed, it accepts b!, which no sheep says. This is the recurring hazard of the star: it also matches nothing.

جرّب الآن الخراف. لغتها baa! وbaaa! وbaaaa!، أي عدد من حروف a لا يقل عن اثنين. نجمة Kleene تعطي صفرًا أو أكثر من العنصر السابق، لذلك يعمل baaa*!: حرفا a حرفيان، ثم أي عدد إضافي. وزائد Kleene يعطي واحدًا أو أكثر، فيقول baa+! الشيء نفسه بوضوح أكبر. وكلاهما يرفض b!. لاحظ ماذا كان سيفعل ba*!: بما أنه يسمح بصفر من a، فهو يقبل b!، وهذا ما لا يقوله أي خروف. هذا هو الخطر المتكرر في النجمة: إنها تطابق اللاشيء أيضًا.

A Quantifier applies to whatever is immediately before it: one character, one class, or one parenthesized group. So [0-9]+ is an integer of one or more digits, and on "Chapter 12 of 3" it finds 12 at 8 and 3 at 14. SLP3 asks why not [0-9]*, and the sheep already answered: the star matches the empty string, so [0-9]* would "match" at every position of a text with no digits at all. Reach for + whenever at least one is required.

الـ quantifier (المكمِّم) ينطبق على ما يسبقه مباشرة: حرف واحد، أو فئة واحدة، أو مجموعة واحدة بين أقواس. إذن [0-9]+ عدد صحيح من رقم واحد أو أكثر، وعلى «Chapter 12 of 3» يجد 12 عند 8 و3 عند 14. ويسأل SLP3 لماذا لا نستخدم [0-9]*، والخراف أجابت بالفعل: النجمة تطابق السلسلة الفارغة، فـ [0-9]* كان «سيطابق» عند كل موضع في نص لا أرقام فيه إطلاقًا. استخدم + كلما كان المطلوب واحدًا على الأقل.

The wildcardالرمز الشامل

The period matches any single character. In Python's default mode that is any character except a newline, and the DOTALL flag lifts the exception; in JavaScript the dot excludes the line terminators and the s flag lifts it (Python re documentation; MDN). Under a star it becomes the most powerful and most dangerous idiom in the language: .* is any string of zero or more characters. a.*b is an a, then anything, then a b, and rose.*rose finds two roses with anything between.

النقطة تطابق أي حرف واحد. في الوضع الافتراضي لـ Python هذا يعني أي حرف عدا السطر الجديد، والعلَم DOTALL يرفع هذا الاستثناء. وفي JavaScript تستثني النقطة فواصل الأسطر، والعلَم s يرفع ذلك (توثيق Python re، وMDN). وتحت النجمة تصبح أقوى عبارة في اللغة وأخطرها: .* أي سلسلة من صفر حرف أو أكثر. a.*b هو a ثم أي شيء ثم b، وrose.*rose يجد كلمتي rose بينهما أي شيء.

Greedy versus lazyالجشع مقابل الكسول

Here is the question that decides whether .* does what you meant. Run <.*> on the string <a><b>. You probably wanted the first tag. You get the whole string, because regular expressions always match the largest string they can; SLP3 says the patterns are greedy. The star grabs everything up to the end and then backs off only as far as needed for the final > to match, which is the last one. Adding a question mark after a quantifier makes it lazy: *? and +? match as little as possible, expanding only when the rest of the pattern cannot otherwise succeed (MDN, Python re documentation).

هذا هو السؤال الذي يحدد هل يفعل .* ما قصدته. شغّل <.*> على السلسلة <a><b>. على الأرجح أردت الوسم الأول، لكنك تحصل على السلسلة كلها، لأن التعابير النمطية تطابق دائمًا أطول سلسلة ممكنة، ويقول SLP3 إن الأنماط greedy (جشعة). النجمة تأخذ كل شيء حتى النهاية ثم تتراجع فقط بالقدر اللازم كي تطابق > الأخيرة في النمط، وهي آخر > في النص. وإضافة علامة استفهام بعد المكمِّم تجعله كسولًا (lazy): *? و+? تطابقان أقل قدر ممكن، ولا تتوسعان إلا حين لا يستطيع باقي النمط أن ينجح بغير ذلك (MDN، توثيق Python re).

Everything so far matched characters. The last two regex tools match positions. ^The matches The only at the start of a line, $ finds a trailing space at the end of one, and ^The dog\.$ matches a line that is exactly "The dog." and nothing else (SLP3, section 2.6.3).

كل ما سبق كان يطابق حروفًا. أما آخر أداتين في الـ regex فتطابقان مواضع. ^The يطابق The فقط في بداية السطر، و $ يجد مسافة زائدة في نهاية السطر، و^The dog\.$ يطابق سطرًا هو «The dog.» بالضبط ولا شيء غيره (SLP3, section 2.6.3).

These are anchors, and the crucial property is that they consume nothing. An anchor matches the empty string at a position that satisfies a condition, so the\b the can match "the the": the boundary sits between the e and the space without using up either. In Python, ^ matches the start of the string, and in MULTILINE mode also immediately after each newline; $ matches the end of the string or just before the final newline, and in MULTILINE mode before every newline (Python re documentation). JavaScript's m flag does the same job, which is why the tester below has one.

هذه هي anchors (المراسي)، وخاصيتها الحاسمة أنها لا تستهلك شيئًا. المرساة تطابق السلسلة الفارغة عند موضع يحقق شرطًا، لذلك يمكن لـ the\b the أن يطابق «the the»: الحد يقع بين e والمسافة دون أن يستهلك أيًا منهما. في Python تطابق ^ بداية السلسلة، وفي وضع MULTILINE تطابق أيضًا مباشرة بعد كل سطر جديد. وتطابق $ نهاية السلسلة أو ما قبل السطر الجديد الأخير مباشرة، وفي وضع MULTILINE تطابق قبل كل سطر جديد (توثيق Python re). والعلَم m في JavaScript يؤدي المهمة نفسها، ولهذا يوجد في أداة الاختبار أدناه.

That is what "line-based formats" on the slide means in practice: real files are one record per line, and the multiline flag turns ^ and $ into per-line assertions. A comments filter on a corpus file, and a date extractor on a log, are the same pattern shape.

هذا ما تعنيه عبارة «الصيغ القائمة على الأسطر» (line-based formats) في الشريحة عمليًا: الملفات الحقيقية سجل واحد في كل سطر، والعلَم متعدد الأسطر يحوّل ^ و$ إلى شروط على مستوى كل سطر. مرشّح التعليقات على ملف مدوّنة، ومستخرج التواريخ من سجل (log)، لهما شكل النمط نفسه.

Without the flag, ^ sees only the start of the whole string, so the comments filter finds nothing and the date pattern catches only a first line that happens to begin with a timestamp. With the flag, each newline resets ^ and $, which is exactly how you scan a log or strip comment lines from a file. Flip the m flag on the ^The preset in the tester below to feel the difference.

بدون العلَم، لا ترى ^ إلا بداية السلسلة كلها، فلا يجد مرشّح التعليقات شيئًا، ولا يلتقط نمط التاريخ إلا سطرًا أول يصادف أنه يبدأ بطابع زمني. ومع العلَم، كل سطر جديد يعيد ضبط ^ و$، وهذا بالضبط ما تفعله حين تمسح سجلًا أو تحذف أسطر التعليقات من ملف. بدّل العلَم m على المثال الجاهز ^The في أداة الاختبار أدناه لتشعر بالفرق.

The word boundaryحد الكلمة

The slide says \b is useful for matching whole words, and the canonical example is the word "the". Plain the also matches inside other and theme. \bthe\b requires a boundary on each side, so on "the other theme" it lights only the first word. A word character is a letter, a digit or an underscore, and the boundary is the seam between such a character and anything else, or a string edge (Python re documentation). Python's own examples make the rule vivid: r'\bat\b' matches at, at., (at) and the at in "as at ay", but not attempt or atlas.

تقول الشريحة إن \b مفيد لمطابقة الكلمات الكاملة، والمثال الكلاسيكي هو الكلمة «the». النمط المجرد the يطابق أيضًا داخل other وtheme. أما \bthe\b فيشترط boundary (حدًا) على كل جانب، فعلى «the other theme» لا يضيء إلا الكلمة الأولى. حرف الكلمة (word character) هو حرف أبجدي أو رقم أو شرطة سفلية، والحد هو الفاصل بين حرف كهذا وأي شيء آخر، أو طرف السلسلة (توثيق Python re). وأمثلة Python نفسها توضح القاعدة: r'\bat\b' يطابق at وat. و(at) وat في «as at ay»، لكنه لا يطابق attempt ولا atlas.

Digits count as word characters too, which produces the example SLP3 uses to check that you have understood the definition rather than memorized "letters". \b99\b matches in "There are 99 bottles" and in "$99", because a dollar sign is not a word character, but not in "299", because the 2 is. On "There are 299 bottles, $99 each" it finds exactly one match, the 99 at index 24.

الأرقام تُعدّ حروف كلمة أيضًا، ومن هنا يأتي المثال الذي يستخدمه SLP3 ليتحقق أنك فهمت التعريف بدل أن تحفظ «حروفًا أبجدية». \b99\b يطابق في «There are 99 bottles» وفي «$99»، لأن علامة الدولار ليست حرف كلمة، لكنه لا يطابق في «299»، لأن 2 حرف كلمة. وعلى «There are 299 bottles, $99 each» يجد مطابقة واحدة بالضبط، هي 99 عند الموضع 24.

SLP3 tells the story of the word "the" as a precision and recall exercise. the misses The at the start of a sentence, a false negative, so you write [tT]he. Now it hits other and there, false positives, so you write \b[tT]he\b. Every regex you write for a real corpus goes through the same two-sided tuning, and the boundary is usually the second fix.

يروي SLP3 قصة الكلمة «the» كتمرين في الدقة (precision) والاستدعاء (recall). النمط the يفوّت The في بداية الجملة، وهذا سلبي كاذب (false negative)، فتكتب [tT]he. الآن يصيب other وthere، وهذه إيجابيات كاذبة (false positives)، فتكتب \b[tT]he\b. كل regex تكتبه لمدوّنة حقيقية يمر بهذا الضبط نفسه من الجهتين، والحد عادةً هو الإصلاح الثاني.

The six aliasesالاختصارات الستة

Some classes are needed so often that they get a backslash shorthand. Slide 65 lists six, in three complementary pairs. Each lower case alias is a class, and its upper case partner is the negation of that class.

بعض الفئات نحتاجها كثيرًا لدرجة أنها تحصل على اختصار بشرطة مائلة عكسية. تسرد الشريحة 65 ستة منها، في ثلاثة أزواج متتامة. كل اختصار بحرف صغير فئة، وشريكه بحرف كبير هو نفي تلك الفئة.

The expansions in the table are the SLP3 definitions, and they are ASCII. Real engines differ at the edges, and the differences matter for Arabic. In Python 3, a pattern on a str treats \d as any Unicode decimal digit, including Arabic-Indic digits, \w as any Unicode alphanumeric plus the underscore, so Arabic letters count, and \s as anything str.isspace() accepts, which includes the non-breaking space; the ASCII flag switches all three back to the table above, with \s as [ \t\n\r\f\v] (Python re documentation). JavaScript keeps \w at letters, digits and underscore and \d at [0-9], while its \s covers all Unicode whitespace and line terminators (MDN). So a boundary such as \b, which is defined in terms of \w, falls in different places for the same Arabic sentence in the two languages. This is the "language-dependent" warning from slide 57 in its most practical form.

التوسعات في الجدول هي تعريفات SLP3، وهي ASCII. المحركات الحقيقية تختلف عند الأطراف، وهذه الفروق مهمة للعربية. في Python 3، النمط المطبَّق على str يعامل \d كأي رقم عشري في Unicode، بما فيها الأرقام العربية الهندية (٠١٢٣)، ويعامل \w كأي حرف أو رقم في Unicode مع الشرطة السفلية، فتُحسب الحروف العربية، ويعامل \s كأي شيء يقبله str.isspace()، بما فيه المسافة غير القابلة للكسر (non-breaking space). والعلَم ASCII يعيد الثلاثة إلى ما في الجدول أعلاه، مع \s بمعنى [ \t\n\r\f\v] (توثيق Python re). أما JavaScript فتُبقي \w على الحروف اللاتينية والأرقام والشرطة السفلية، و\d على [0-9]، بينما يغطي \s فيها كل مسافات Unicode وفواصل الأسطر (MDN). لذلك فإن حدًا مثل \b، المعرَّف بدلالة \w، يقع في أماكن مختلفة للجملة العربية نفسها في اللغتين. وهذا هو تحذير «الاعتماد على اللغة» من الشريحة 57 في أكثر صوره عملية.

A backslash works both waysالشرطة المائلة العكسية تعمل في الاتجاهين

Inside a pattern, a backslash before a special character makes it literal: \. is a period, \^ is a caret. The same backslash before an ordinary letter creates an alias such as \d or \b. The full table of escaped specials, from K\*A\*P\*L\*A\*N to the raw-string question, comes in the next part.

داخل النمط، الشرطة المائلة العكسية قبل حرف خاص تجعله حرفيًا: \. نقطة، و\^ علامة ^. والشرطة نفسها قبل حرف عادي تنشئ اختصارًا مثل \d أو \b. الجدول الكامل للحروف الخاصة المهروبة، من K\*A\*P\*L\*A\*N إلى سؤال السلاسل الخام (raw string)، يأتي في الجزء التالي.

Check every row yourselfتحقق من كل صف بنفسك

The tester below loads every example from slides 59 to 65, the greedy and lazy pairs, and the ELIZA rule with its captured group. Load a preset, read the first match, then edit the pattern and watch the highlight move. Try a^b to see the erratum with your own eyes, and switch the m flag off on the ^The preset to see anchors change meaning.

أداة الاختبار أدناه تحمّل كل مثال من الشرائح 59 إلى 65، وأزواج الجشع والكسول، وقاعدة ELIZA مع مجموعتها الملتقطة. حمّل مثالًا جاهزًا، واقرأ المطابقة الأولى، ثم عدّل النمط وراقب التظليل وهو يتحرك. جرّب a^b لترى الخطأ في الشريحة بعينيك، وأطفئ العلَم m على المثال الجاهز ^The لترى المراسي يتغير معناها.

HE SAYS YOU ARE DEPRESSED MUCH OF THE TIME.