Die Syntax eines regulären Ausdrucks lässt sich im Grunde als eine und-Verkettung umschreiben. Der bereits bekannte Ausdruck \<d.+ kodiert eine Zeichenfolge, bei der ein d am Wortanfang steht und von mindestens einem beliebigen Zeichen gefolgt wird. Anders gesagt matcht der Ausdruck auf eine Zeichenfolge in einem Text, wenn sie sich am Wortanfang befindet UND mit einem d startet UND diesem mindestens ein weiteres Zeichen folgt. Mit wachsender Erfahrung wird man jedoch auch Ausdrücke schreiben wollen, die mit oder-Operatoren arbeiten. Hierzu ein Beispiel aus dem Französischen:

In einem Korpus der gesprochenen Sprache sollen alle Vorkommen eines verneinten "c' est" gefunden werden. Nun ist im mündlichen Sprachgebrauch insbesondere mit folgender Variation zu rechnen:

1) ce n' est pas.

2) c' est pas.

Ohne einen oder-Operator müsste man hier zwei Suchanfragen formulieren, was in diesem Beispiel noch durchaus möglich wäre. Nun müssen wir aber auch damit rechnen, dass mit der Transkription der Audiodateien mehrere übermüdete studentische Hilfskräfte beschäftigt waren. Von diesen ließen einige eine Leerstelle auf das Apostroph folgen, andere nicht. Dies bewirkt, dass wir sogar 4 Suchanfragen starten müssten, könnten wir unsere Unsicherheit nicht durch ein ? ausdrücken. Meine dadurch auf c'_?est pas auf ce n'_?est pas reduzierbare Ausdrücke ließen sich umschreiben als: SUCHE (c' gefolgt von einem Leerzeichen ODER nicht, gefolgt von einem est pas) UND SUCHE (ce gefolgt von einem n', gefolgt von einem Leerzeichen ODER nicht, gefolgt von einem est pas). Die beiden Suchanfragen können aber auch zusammengefasst werden unter: SUCHE (c gefolgt von ((' gefolgt von (einem Leerzeichen ODER nichts))  ODER (e gefolgt von einem Leerzeichen)), gefolgt von ((n' gefolgt von (einem Leerzeichen ODER nichts)) ODER nichts), gefolgt von est pas). Hä was? Die Schritt-für-Schritt-Anleitung folgt später.

Einige der bekannten Metazeichen stellen eine Möglichkeit dar, ein "oder" zum Ausdruck zu bringen. So sucht fatt[oa] zum Beispiel nach der dem Wortsegment fatt gefolgt von einem o ODER einem a. Schwieriger wird es, will man ein ODER zwischen zwei unterschiedliche Zeichenfolgen setzen. Nehmen wir an, wir bräuchten einen Ausdruck, der sowohl mit fame als auch mit faro matcht. Wir könnten zu diesem Zweck fa[mr][eo] verwenden, allerdings würden wir Gefahr laufen, auch fare (und famo) in unser Ergebnis einzuschließen. Um dies zu vermeiden, brauchen wir ein paar in diesem Manual noch nicht eingeführte Metazeichen:

() |

Die Klammern werden verwendet, um Zeichenfolgen zu gruppieren, was sich als wirklich praktisch erweist, will man Wiederholungsoperatoren auf eine Zeichenfolge und nicht lediglich auf einzelne Zeichen beziehen. Will man die Folge ABABAB in ABCABABABAD matchen, so lässt sich dies am einfachsten erzielen, wenn man mithilfe der runden Klammern AB als Gruppe definiert und ihr den Wiederholungsoperator {3} zuweist: (AB){3}. Man sei daran erinnert, dass einige Standards erfordern, dass jeder runden Klammer ein Backslash vorgeschaltet wird, falls sie als Metazeichen verwendet werden. Dies gilt ebenfalls für den senkrechten Strich

Der senkrechte Strich liefert uns schließlich den entscheidenden Operator: das ODER. Mit diesem lassen sich einfache Ausdrücke, wie fatto|a als Alternative zu fatt[oa], formulieren, doch der große Mehrwert tritt erst in Kombination mit den runden Klammern auf. So lässt sich mit diesen Metazeichen auch der Ausdruck formulieren, der mit fame und faro, nicht jedoch mit fare (oder famo) matcht: fa(me|ro). Es ist wichtig, die Anzahl und Position der Klammern zu reflektieren. Befindet sich der senkrechte Strich außerhalb runder Klammern so wird er alles, was sich links von ihm befindet mit allem, was sich rechts von ihm befindet in eine oder-Relation. Grenzen können ihm dadurch gesetzt werden, dass er, die Zeichenfolge links und die Zeichenfolge rechts in runde Klammern gesetzt werden. Wie im Schulunterricht beim Eintippen von Rechenoperationen mit Brüchen, sollte man im Zweifelsfall lieber mehr Klammern verwenden, da sich so besser überwachen lässt, welche Zeichenfolgen von dem Operator geodert werden. Die folgende Darstellung dient der Veranschaulichung der Funktionsweise des senkrechten Striches in Kombination mit den gruppierenden Klammern. Ob Ausdruck a oder b zu verwenden ist, hängt von dem Standard des Editors/ des verwendeten Programms ab. Sollte ein Ausdruck nicht funktionieren, kann das Problem möglicherweise gelöst werden, indem Backslashes hinzugefügt oder getilgt werden.

Ausdruck aAusdruck bmatcht...
fame|rofame\|roENTWEDER (fame) ODER (ro)
fa(me)|(ro)fa\(me\)\|\(ro\)ENTWEDER (fame) ODER (ro)
fa(me|ro)fa\(me\|ro\)ENTWEDER (fame) ODER (faro)
fa((me)|(ro))fa\(\(me\)\|\(ro\)\)ENTWEDER (fame) ODER (faro)
fame|farofame\|faroENTWEDER (fame) ODER (faro)
(fame)|(faro)\(fame\)\|\(faro\)ENTWEDER (fame) ODER (faro)

Mithilfe dieser beiden Metazeichen können komplexere Ausdrücke formuliert werden, wie zum Beispiel derjenige, der auf ce n' est pas, c' est pas, ce n'est pas und c'est pas passt. Hierfür macht es strategisch Sinn, Zeichenfolgen, deren Position sich in allen gewünschten Ergebnissen entspricht, außerhalb der runden Klammern, welche oder-Operatoren enthalten werden, zu setzen. Der erste Schritt sähe somit folgendermaßen aus:

c()est pas

Innerhalb der gesetzten Klammer sehen die Möglichkeiten nun wie folgt aus:

     Ergebnis
1a)e_n' c(e n'_)est pas
1b)e_n'_c(e n')est pas
2a)'   c(')est pas
2b)'_  c('_)est pas

Alle Unterschiede in den Ergebnissen lassen sich nun auch kleinschrittig beschreiben. Auch hier werden gemeinsame Zeichen(folgen) außerhalb der Klammer mit dem oder-Operator notiert.

Der Unterschied zwischen 1a) und 1b) betrifft das Leerzeichen. Alles andere sollte sich folglich außerhalb der Klammer befinden (Gemeinsamkeiten sind in der Tabelle blau unterlegt, Unterschiede rot): (e_n'(|_))

Die Menge an Zeichen auf einer Seite des senkrechten Striches kann wie in diesem Beispiel auch leer sein. (|_) ist gleichbedeutend mit "ENTWEDER nichts ODER Leerstelle".

Der Unterschied zwischen 2a) und 2b) liegt ebenfalls im Leerzeichen. Die Herangehensweise entspricht der vorausgehenden (Gemeinsamkeiten sind in der Tabelle grün unterlegt, Unterschiede rot): ('(|_))

Die beiden Teilausdrücke lassen sich nun mithilfe des oder-Operators verbinden und in c()est pas einfügen: c((e_n'(|_))|('(|_)))est pas


Bei der Formulierung komplexerer regulärer Ausdruck mit oder-Operatoren und Gruppierungsklammern muss bedacht werden:

  • Ein senkrechter Strich setzt die sich links von ihm befindende Zeichenkette mit der sich rechts von ihm befindende in eine oder-Relation. Sind keine Klammern gesetzt, so wird der gesamte Ausdruck einbezogen.
  • Um die Reichweite des oder-Operators einzuschränken, muss er mit den entsprechenden Zeichenketten (links und rechts) in runde Klammern gesetzt werden. Der oder-Operator reicht in dem Fall von der äußersten öffnenden (nicht links von ihm schließenden) Klammer links von ihm bis zur äußersten schließenden (nicht rechts von ihm öffnenden) Klammer rechts von ihm.
  • Mithilfe der Klammern lässt sich präzise definieren, was in Alternative wozu steht.
  • Eine Alternative kann auch kein einziges Zeichen enthalten.

Die Ersetzfunktion

Die Klammern erweisen sich als überaus hilfreich, arbeitet man mit der Ersetzfunktion eines Texteditors (Die Funktion "Ersetzen" befindet sich meist irgendwo in der Nähe der Funktion Suchen "Suchen". Bei Notepad/ Textpad sind beide unter dem Menüpunkt "Suchen"/ "Search" gelistet). Diese Funktion ist insofern sinnvoll, als dass sie die Möglichkeit eröffnet, Textdaten und ihm zugrundeliegende Muster aktiv zu manipulieren.

Eine einfache Ersetz-Operation bestünde beispielsweise darin, alle Formen des Farbadjektivs rosso in einem Text durch die Nennform rosso zu ersetzen.Ein regulärer Ausdruck zum Auffinden aller Formen könnte dabei so lauten:

Ausdruckmatcht...
ross[oaie]rosso, rossa, rossi, rosse

Im "Ersetzen durch"-Feld wird nun die überschreibende Form definiert, hier rosso.

Ausdruckmatcht...Ersetzen durch...Ergebnis
ross[oaie]rosso, rossa, rossi, rosserossorosso, rosso, rosso, rosso

Eine weitere Aufgabe wäre zum Beispiel das Ersetzen der Formen von rosso durch entsprechende Formen von giallo (sprich: giallo, gialla, gialli, gialle). Auch diese lässt sich einfach lösen, indem man den Endvokal im regulären Ausdruck ignoriert und nur das lexikalische Morphem ersetzt. Alternativ lässt sich jedoch auch mit den runden Klammern arbeiten:

Ausdruckmatcht...Ersetzen durch...Ergebnis
rossross, ross, ross, rossgiallgiallo, gialla, gialli, gialle

ross([oaie])

oder:

ross\([oaie]\)

rosso, rossa, rossi, rossegiall\1giallo, gialla, gialli, gialle

Während die erste Lösung wahrscheinlich einleuchtet, bedarf die zweite einer weitergehenden Erklärung: Allen Inhalten, die sich in runden Klammern befinden, wird im Rahnen eines Ersetzvorgangs eine Kennzahl zugeordnet. Der Inhalt der ersten Klammer erhält die Kennzahl 1, der der zweiten 2, der der dritten 3 und so weiter. In dem vorliegenden Beispiel besteht der Inhalt entweder aus dem Buchstaben o, a, i oder e. Dieser Inhalt kann nun als Zeichen (bzw. Zeichenkette) in die ersetzende Form mithilfe der Kombination von Backslash und der entsprechenden Kennzahl übernommen werden.

Dies funktioniert folgendermaßen. Der Ausdruck ross([oaie]) sucht nach einer Zeichenfolge, auf die das Muster ross[oaie] passt, trifft zuerst auf rossa und setzt \1 mit a gleich. Nun wird rossa durch giall gefolgt von \1 (also a) ersetzt. Der Ausdruck sucht nun nach dem nächsten Match, z.B. rossi. Auch hier wird i mit \1 gleichgesetzt, bevor rossi durch giall\1 ersetzt wird. Was hier verdeutlicht werden soll, ist, dass der Backslash mit der Kennzahl keinen Platzhalter übernehmen, sondern das jeweils konkrete Zeichen. Dies liegt darin, dass die Ersetzen-Funktion einen konkreten Output generiert. Die meisten Metazeichen wie Positionsmarker und Platzhalter sind in der "Ersetze durch"-Zeile folglich nicht zulässig und werden als konkrete Zeichen interpretiert. Erlaubt sind hingegen neben den bereits präsentierten Verweisen mithilfe von Kennzahlen auch Metazeichen für einige Steuerzeichen, d.h. Zeichen, die vorhanden, aber nicht sichtbar sind. Dazu zählen u.a. die Shorthand-Expressions:

Ausdruck in Ersetzen-ZeileErgebnis
\nFügt eine neue Zeile ein
\tFügt einen Tabulator ein

Keine Idee für Anwendungsmöglichkeiten? Eventuell erfordern Tools, so wie das Annotationstool TreeTagger, dass Texte in einer bestimmten Form vorliegen. Bei TreeTagger entpräche dies der Formatierung ein Wort pro Zeile. Eine solche Form könnte zum Beispiel hergestellt werden, indem alle Leerstellen (_) durch \n ersetzt werden.