Die DWDS-Anfragesprache, Regel 3: Zeichenmuster (ii): Reguläre Ausdrücke

• Reguläre Ausdrücke kommen aus der Informatik und werden u.a. in der Textverarbeitung verwendet, darunter auch bei der Suche, daher kommen sie auch in vielen Korpus-Abfragesystemen zum Einsatz. Es gibt viele Implementierungen von regulären Ausdrücken, die von DWDS verwendete ist eine der am häufigsten verwendeten. Im Folgenden werden die wichtigsten Bildungsregeln von regulären Ausdrücken und deren Verwendung in DWDS zusammengefasst.

  /Hund/ /H.nd/ /H[aiu]nd/ /H[^aiu]nd/

  /Hund|Katze/ /(Jag|Win)dhund/ /(Jag|Win)?dhund/

  /Hund*/ /Hund+/ /Hund?/ /H.{1,3}d/

  /^Hund/ /Hund$/ /^Hund$/   /Hund/g /^Hund|Katze$/

  /^(.r).*\1$/ /Hund/i !/Hund/

  Zunächst zwei Hinweise, die für alle regulären Ausdrücke in DWDS gelten:

  • Das Abfragesystem muss zwischen regulären Ausdrücken und Zeichenmustern mit Platzhaltern unterscheiden können: In DWDS wird ein regulärer Ausdruck zwischen Schrägstriche eingeschlossen, also ist z.B. ‚/hund*/‘ ein regulärer Ausdruck und kein Zeichenmuster mit einem Platzhalter.
  • Im Allgemeinen können reguläre Ausdrücke Muster für beliebige Textteile bilden, die z.B. auch mehrere Worte oder Zeilen umfassen. In DWDS sind sie jedoch auf einzelne Wortformen beschränkt. Folglich können reguläre Ausdrücke in der DWDS-Anfragesprache keine Leerzeichen enthalten.

  Reguläre Ausdrücke in DWDS bestehen aus Kombinationen der folgenden Typen von Ausdrücken:

  • Zeichenausdrücke: Diese stehen für ein einziges Zeichen. Es gibt folgende Typen von Zeichenausdrücken:
    1. Buchstaben, Ziffern, Bindestrich, Unterstrich: Diese stehen für sich selbst.
       Beispiele: /hund/, /Hunde/, /nd/, /7/, /0123456789/, /Hunde-und-Katzen-Klo/, /_hund_/
       • In DWDS wird Groß-/Kleinschreibung in regulären Ausdrücken streng beachtet – es sei denn, ein ‚i‘ steht direkt (ohne Leerzeichen) nach dem abschließenden Schrägstrich. Folglich sind z.B. /hund/ und /Hund/ unterschiedliche reguläre Ausdrücke und als Anfrage ergeben unterschiedliche Treffer, während z.B. /hund/i, /Hund/i, /HUND/i alle dieselben Treffer finden.
    2. Der Punkt ‚.‘: Dieser steht für ein beliebiges Zeichen (außer dem Leerzeichen).
       Z.B. findet /H.nd/ die Wortformen Hund, Hand, Händler, Hindernis, Honduras usw.
    3. Eine Zeichenklasse: eine Folge von Zeichen zwischen eckigen Klammern. Eine Zeichenklasse steht für ein einziges beliebiges Zeichen aus dieser Folge.
       Z.B. findet /H[aiu]nd/ die Wortformen Hund, Hand, Hindernis aber nicht Händler, Honduras, Hain, Haus.
       Bindestrich-Zeichenklasse: Es gibt eine Abkürzung für Zeichenklassen, die aus Folgen von Buchstaben (gemäß der Reihefolge der ASCII-Zeichensatzkodierung) bzw. aus Folgen von Ziffern bestehen: z.B. ist /[a-e]/ äquivalent mit /[abcde]/, und /[2-7]/ äquivalent mit /[234567]/.
       • Da eine Bindestrich-Zeichenklasse mit Buchstaben auf dem englischen Alphabet basiert, gehören Umlaute, ‚ß‘ und Zeichen mit Akzent wie ‚é‘ usw. nicht dazu; diese Buchstaben müssen extra angegeben werden, z.B. lautet die Zeichenklasse für alle Kleinbuchenstaben im deutschen Alphabet ‚[a-zäöüß]‘.
       • Es gibt jedoch einige besondere Zeichenklassen, die anders als Bindestrich-Zeichenklassen nicht auf das englische Alphabet eingeschränkt sind (vorausgesetzt, das Betriebsystem erkennt das entsprechende Alphabet):
         • ‚[[:alpha:]]‘ steht für ein beliebiges Zeichen des Alphabets (auch z.B. Umlaute).
         • ‚[[:upper:]]‘ und ‚[[:lower:]]‘ stehen für beliebige Groß- bzw. Kleinbuchstaben (auch z.B. Umlaute).
       • Für die Zeichenklasse ‚[[:alpha:]]‘ gibt es auch die Abkürzung ‚\w‘ (wie Wort) und für die Zeichenklasse ‚[0-9]‘ die Abkürzung ‚\d‘ (wie digital).
    4. Eine negierte Zeichenklasse: eine Zeichenklasse, in der das erste Zeichen ‚^‘ ist. Eine negierte Zeichenklasse steht für ein einziges beliebiges Zeichen außer den Zeichen nach ‚^‘.
       Z.B. steht /[^a-dä]/ für genau ein Zeichen, das weder ‚a‘, ‚b‘, ‚c‘, ‚d‘, noch ‚ä‘ ist.
  • Alternativen: Diese beinhalten eine Auswahl von durch einen senkrechten Strich ‚|‘ getrennten Zeichenketten. Eine Zeichenkette ist eine Folge von einem oder mehr Zeichenausdrücken. Die Zeichenketten können wiederum selbst Alternativen enthalten; d.h., Alternativen sind rekursive Konstrukte, die wie folgt definiert sind:
    1. Sind Z1 und Z2 Zeichenketten, dann sind /Z1|Z2/ und /Z2|Z1/ Alternativen.
    2. Sind A1 und A2 Alternativen, dann sind /A1|A2/ und /A2|A1/ Alternativen.
       Z.B. /Hund|Katze/, /Hund|Katze|Maus/, /Hund|Katze|Maus|Pferd/ usw.
    3. Alternativen können zur Abgrenzung von anderen Teilen des regulären Ausdrucks in runde Klammern eingeschlossen werden: /Z1(A1|A2)Z2/
       Z.B. findet /Schu(l|tz)m/ Schulmeister, Schulmädchen, Schulmappe, Schutzmappe, Schutzmauer, Schutzmittel usw. (aber nicht den Namen Schultzmann).
  • Quantoren: Diese ermöglichen die Suche nach wiederholten Vorkommen von Zeichenketten oder Alternativen. Um die Reichweite des Quantors eindeutig zu machen, muss eine quantifizierte Zeichenkette aus zwei oder mehr Zeichenausdrücken (dazu zählen natürlich auch Alternativen) in runde Klammern eingeschlossen sein. Der Quantor steht direkt nach einem einzelnen quantifizierten Zeichenausdruck bzw. nach der abschließenden Klammer um die Zeichenkette. Die DWDS-Anfragesprache erkennt folgende vier Quantoren (hier steht ‚Z‘ für eine beliebige – evtl. in runde Klammern eingeschlossene – Zeichenkette):
    1. /Z*/ steht für Null oder mehr aufeinander folgende Vorkommen von ‚Z‘.
       Denkaufgabe: Was für Tokens finden diese regulären Ausdrücke: /.*/, /a*/, /(aa)*/ und /(..)*/ ?
    2. /Z+/ steht für ein oder mehr aufeinander folgende Vorkommen von ‚Z‘.
       Denkaufgabe: Was für Tokens finden diese regulären Ausdrücke: /.+/, /a+/, /(aa)+/ und /(..)+/ ?
    3. /Z?/ steht für Null oder genau ein Vorkommen von ‚Z‘.
       Denkaufgabe: Was für Tokens finden diese regulären Ausdrücke: /.?/, /a?/, /(aa)?/ und /(..)?/ ?
    4. /Z{m,n}/ (wo m und n ganze Zahlen ≥ 0 sind und m ≤ n): steht für mindestens m und höchstens n Vorkommen von ‚Z‘.
       n kann auch entfallen: /Z{m,}/ bedeutet also mindestens m Vorkommen von ‚Z‘. /Z{,n}/ ist jedoch ungültig.
       /Z{n}/ ist eine Abkürzung für /Z{n,n}/, bedeutet also genau n Vorkommen von ‚Z‘.
       • N.B.: In DWDS bedeutet ‚{0,0}‘ oder ‚{0}‘, dass keine Zeichenkette an dieser Stelle im Token vorkommt; z.B. findet ‚/St{0}au/‘ Sau aber nicht Stau, und dasselbe gilt für ‚/Sa{0}au/‘, ‚/Su{0}au/‘, ‚/S7{0}au/‘, ‚/S.{0}au/‘ usw.
       Denkaufgabe: Welcher der folgenden regulären Ausdrücke findet mehr Tokens und warum: /a(st){2}/ und /a(s.){2}/ ?
  • Anker: Diese legen die Grenzen der Wortformen, die zu einem gegebenen regulären Ausdruck passen, folgendermaßen fest:
    1. Ist ‚^‘ das erste Zeichen des regulären Ausdrucks bzw. einer Alternative, dann ist das nächste Zeichen der Anfang der Wortform.
       N.B.: In einer negierten Zeichenklasse kommt das Zeichen ‚^‘ frühestens an zweiter Stelle im regulären Ausdruck bzw. in einer Alternative vor (und zwar, nach ‚[‘) und kann daher nicht als Anker verstanden werden.
    2. Ist ‚$‘ das letzte Zeichen des regulären Ausdrucks bzw. einer Alternative, dann ist das vorangehende Zeichen das Ende der Wortform.
    3. In der DWDS-Anfragesprache gibt es eine Abkürzung für Anfragen mit beiden Ankern wie z.B. ‚/^Hund$/‘, nämlich ‚/Hund/g‘.
    Beispiele:

    /^hand/	findet handlich, handeln aber nicht Schande, gehandelt
    /Hund$/	findet Hund aber nicht Hunde
    /bel$|^abb/	findet Gabel, Nebel, übel, abbrechen, abbauen, abberufen usw. aber nicht Gabeln, knabbert usw.

  • Rückwärtsreferenzen: Diese ermöglichen die Suche nach Tokens, die identische Zeichenketten an mehr als eine Stelle enthalten. Eine Referenz hat die Form ‚\n‘, wo n eine ganze Zahl zwischen 1-9 ist. Jede Referenz bezieht sich auf eine vorangehende in runde Klammern eingeschlossene Zeichenkette; die Referenz ‚\1‘ nimmt die erste Klammergruppe (von links zählend) auf, ‚\2‘ die zweite Klammergruppe usw.
    Beispiel: /^(..).*\1$/ findet alle Tokens, die mit den gleichen zwei Zeichen anfangen und enden, wie z.B. denkende, erster, einerlei.
    Denkaufgabe: Findet der folgende reguläre Ausdruck dieselben Tokens: /^(..).*(..)$/ ?

  Ausschluss von Zeichenmustern: Im Prinzip gibt es in DWDS die Möglichkeit, ein durch einen regulären Ausdruck gebildetes Muster von der Trefferliste einer Anfrage auszuschließen, indem man dem regulären Ausdruck das Zeichen ‚!‘ direkt (ohne Leerzeichen) voranstellt: !/^H[au]nd$/
  Wenn allerdings die Anfrage nur aus einem solchen Ausdruck besteht, wird es wahrscheinlich so viele Treffer geben, dass das System die Suche mit einer Fehlermeldung abbricht. Am sinnvollsten ist diese Möglichkeit als Teil einer Anfrage mit Abstandsangabe.
  N.B.: zur Zeit (04.2020) scheint DWDS diesen Ausdruck nicht richtig zu verarbeiten - das Ausrufezeichen ‚!‘ wird einfach ignoriert.

  Suche nach Sonderzeichen: Folgende Zeichen sind Sonderzeichen in einem regulären Ausdruck: ‚.‘, ‚*‘, ‚+‘, ‚?‘, ‚$‘, ‚^‘, ‚(‘, ‚)‘ und ‚[‘ (aber nicht ‚]‘); d.h. sie stehen generell nicht für sich selbst (mit einer Ausnahme, siehe unten) sondern haben bestimmte Wirkungen, wie oben beschrieben. Steht aber ein Rückwärtsschrägstrich ‚\‘ vor einem dieser Zeichen innerhalb eines regulären Ausdrucks, dann ist es kein Sonderzeichen mehr, d.h., dann steht es für sich selbst und kann als solches im Korpus gesucht werden. (Vgl. die Anmerkung zu Sonderzeichen in Types in DWDS.)
  N.B.: Innerhalb einer Zeichenklasse oder einer negierten Zeichenklasse sind die Sonderzeichen der regulären Ausdrücke jedoch normale Zeichen, wie Buchstaben und Ziffern, d.h. sie stehen in der Zeichenklasse für sich selbst (außer ‚^‘ an erster stelle, da es dann die Zeichenklasse negiert).