Les expressions régulières

C'est la vie…

Tout d'abord, quelques exemples pour appréhender les notions utilisées dans cette page.

Intéressons-nous par exemple à toutes les chaînes de caractères contenant « aaa » dans leur rédaction.
(une chaîne de caractère, ce sont des caractères accolés formant par exemple un mot, une phrase ou un nom de fichier)

Une autre manière de les décrire est de parler des chaînes formées de :

1. un nombre quelconque (éventuellement nul) de lettres quelconques
2. suivi de « aaa »
3. suivi d'un nombre quelconque (éventuellement nul) de lettres quelconques.

On appelle cette description un motif, et ont dit que nos mots sont reconnus par le motif.

Pour décrire les motifs à un programme, on utilise des expressions régulières (regular expression ou regexp en anglais).

Différents programmes utilisent différentes syntaxes pour ces expressions.

Dans ce tuto, nous allons principalement nous intéresser aux regexp utilisées par sed, find, grep, locate qui sont sensiblement les mêmes.

C'est quand on s'exprimait quotidiennement qu'on a consommé nos ex-pressions régulières

Les expressions régulières sont elles-mêmes des chaînes de caractères. On va cependant donner à certains de ces caractères un sens tout particulier.

Ces caractères sont les suivants : le point ., l'étoile *, les crochets ouvrant et fermant [ et ], l'accent circonflexe ^, le dollar $ et le backslash \.

Dans la suite, on les appelera caractères spéciaux.

Quand je vous disais que tout est une question de pied…

La première chose que l'on veut pouvoir reconnaître avec des motif, ce sont les mots que l'on peut écrire sans regexp.

Exemple : « Abracadabrantesque ».

Ça tombe bien, toutes les lettres sont des caractères pouvant former une regexp, et « Abracadabrantesque » est donc une regexp reconnaissant exactement le mot « Abracadabrantesque ».

Ou l'appel à un ami ?

Avis aux amateurs de mots fléchés, la réponse à vos soucis est là ! Mettons nous en situation. Vous êtes à la plage sur le sable brûlant, à la montagne devant un bol de lait chaud ou plus simplement sur votre trône, et vous avez face à vous une grille de mots fléchés déjà entamée…

Quels sont les mots qui peuvent rentrer dans cette case là, en dessous de la tâce ? (tâche de crème solaire, de confiture ou de… ?)

A.racadabrant….e

Comme vous l'aurez compris, les . signifient n'importe quel caractère. Figurez-vous que la chaîne ci-dessus est une regexp qui reconnaît exactement les mots entrant dans votre case problématique. En effet, . est un caractère spécial reconnaissant n'importe quel caractère. On appelle aussi ce caractère joker¹⁾

Attrappez-les tous !

Le disciple : - Oui mais, et si je veux reconnaître un « . » ?
Le maître : - Alors tu utiliseras la regexp \. !
Le disciple : - Oui mais, et si je veux reconnaître un « \. » ?
Le maître : - Alors tu utiliseras la regexp \\\. !
Le disciple : - Oui mais, et si je veux reconnaître un « \\\. » ?
Le maître : - Alors tu utiliseras la regexp \\\\\\\. !
Le disciple : - Oui mais…
Le mâitre, sortant son tromblon : - Oui ?
Le disciple : - Ah…

Tous nos caractères spéciaux ont des significations particulières, nous l'avons vu avec le ., c'est vrai pour les autres. Ainsi, pour reconnaître chacun d'eux, il faut l'échapper par un \.

Ainsi, \. reconnaît « . »
Et comme \\ reconnaît « \ », \\\. reconnaît « \. »

Simple non ?

Ahhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh, ça va mieux maintenant !

Quand on ne sait pas combien de fois un caractère va apparaître, on l'indique avec une étoile *

Ah* reconnaît aussi bien « Ah » que « Ahhhhhhhhhhhhhhhhhhhhhhhhhh » ou même « A ».

Quand on ne sait pas si un caractère va apparaître une fois ou jamais, on l'indique avec un point d'interrogation échappé \?

Chevals\? reconnaît aussi bien « Cheval » que « Chevals ».

Autre exemple : coq\?uille

Blah blah.

Par[lt]ez reconnaît aussi bien « Parlez » que « Partez ».

[a-z] reconnaît n'importe quelle lettre minuscule (non altérée)²⁾ de l'alphabet.

[A-Za-z] reconnaît n'importe quelle lettre (non altérée) de l'alphabet.

[0-9\-] reconnaît les chiffres et le caractère « - ».

Remarque : Il y a des classes de caractères déjà prédéfinies. Ainsi, blabla tableau honteusement pompé depuis http://www.commentcamarche.net/contents/php/phpreg.php3 (merci titia) :

[:alnum:]   caractères alphanumériques (équivalent à [A-Za-z0-9])
[:alpha:]   caractères alphabétiques ([A-Za-z])
[:blank:]   caractères blanc (espace, tabulation)
[:ctrl:]    caractères de contrôle (les premiers du code ASCII
[:digit:]   chiffre ([0-9])
[:graph:]   caractère d'imprimerie (qui fait une marque sur l'écran en quelque
sorte)
[:print:]   caractère imprimable (qui passe à l'imprimante ... tout sauf les
caractères de contrôle)
[:punct:]   caractère de ponctuation
[:space:]   caractère d'espacement
[:upper:]   caractère majuscule
[:xdigit:]  caractère hexadécimal

101

Tout, sauf ça ! [^x] n'est pas un smiley, mais une expression rationnelle reconnaissant tout les caractères sauf « x »

[^xy] reconnaît tous les caractères sauf « x » et « y »

[^a-z] reconnaît tous les caractères sauf les lettres minuscules non altérées.

Je suis l'α et l'ω.

^ désigne un début de ligne $ désigne une fin de ligne

Ainsi, ^Pouet reconnaîtra le motif Pouet s'il se trouve en début de ligne.

TODO: le | disjonctif

20 000 lieues sous les mers.

TODO: Groupement \( \)

[ab]* comme [ab] reconnaît aussi bien « a » que « b », [ab]* reconnaît aussi bien « aaaaaaaaa » que « abababbbbbbbbb » ou que « babbbaaa ».

Abra*[ca]*dabrante\? reconnaît les chaînes commençant par « Abr », suivi par un nombre quelconque de « a », puis un nombre quelconque de « c » et de « a », suivis par « dabrant », suivi ou non par « e ».

(sur fiche annexe ?)

grep regarde sur chaque ligne donnée à son entrée standard s'il trouve une regexp passée en argument. Si c'est le cas, la ligne est affichée, sinon, non.

(à développer…)

Soumettre une chaîne de caractère à grep filtrant suivant une regexp :

echo "ma chaîne de caractère" | grep "ma[^î]*îne"

Construire une regexp pour chacun des cas suivant

1. le mot « australopithèque » et son pluriel
2. les noms de domaine en « .fr »
3. les chaînes de 5 caractères
4. les mots de 5 lettres minuscules
5. les codes de carte bleue
6. les extensions de fichiers

(sur fiche annexe ?)

Sed Substitution \1

Exos : url, etc.