Les Expressions Régulières

Résumé:  Les expressions régulières sont utilisées dans les recherches et modifications de texte sophistiquées. On les rencontre dans de nombreux éditeurs, dans les programmes d'extraction et dans certains langages. 

Introduction

Les expressions régulières sont utilisées pour les recherches et les modifications de texte contextuelles avancées. L'expression régulière est une description formelle d'une forme à comparer à une chaîne de caractères. 

La première fois que j'ai vu quelqu'un utiliser les expressions régulières, j'ai été fasciné. Des éditions de texte et des recherches qui auraient pris normalement plusieurs heures pouvaient être exécutées en quelques secondes. Cependant, je ne comprenais pas un mot lorsque je voyais les expressions à l'écran. Elles n'étaient qu'une étrange combinaison de points, barres, étoiles et autres caractères. J'étais néanmoins déterminé à percer le mystère, et j'ai rapidement découvert que les expressions régulières sont très faciles à utiliser. Elles suivent quelques simples règles de syntaxe. 

Bien que les expressions régulières soient très répandues dans le monde Unix, il n'existe pas de "langage standard pour les expressions régulières". Il existe plutôt quelques dialectes différents. Par exemple, il existe deux programmes de recherche de chaînes dans les fichiers: grep et egrep. Les deux utilisent les expressions réguilières, mais avec des possibilités légèrement différentes. Perl dispose probablement du plus grand ensemble d'expressions régulières. Heureusement, les principes sont toujours les mêmes. Une fois comprise l'idée de base, il est aisé d'apprendre les détails des différents dialectes. 

Cet article vous présentera les principes de base, et vous pourrez vous référer au manuel des différents programmes pour connaître en détail ses règles et possibilités particulières.  

Un exemple simple

Phone Name  ID
     ...
     ...
3412    Bob 123
3834  Jonny 333
1248   Kate 634
1423   Tony 567
2567  Peter 435
3567  Alice 535
1548  Kerry 534
     ...

Les expressions régulières permettent de trouver rapidement la réponse: 

grep '^1' phonelist.txt
or
egrep '^1' phonelist.txt
or
perl -ne 'print if (/^1/)' phonelist.txt

La syntaxe

Formes à caractère unique

Un autre exemple de formes à caractère unique est: 

egrep 'Kerry' phonelist.txt

Les caractères peuvent être regroupés dans un ensemble. L'ensemble est constitué d'une liste de caractères placée entre crochets. L'ensemble lui-même est une forme à caractère unique, car il coïncide à un unique caractère du texte. Il suffit qu'un des caractères de l'ensemble soit présent dans le texte pour que la correspondance soit vérifiée. Par exemple: 
[abc]    est une forme à caractère unique qui correspond 
         indifféremment à l'un des caractères a, b ou c. 
[ab0-9]  est une forme à caractère unique qui correspond 
         aux caractères a ou b ou un caractère entre 0 et 9. 
[a-zA-Z0-9\-] cet ensemble correspond à un caractère unique qui 
              est soit une lettre minuscule ou majuscule, 
              soit un chiffre, ou encore le signe moins. 

Essayons: 

egrep '^1[348]' phonelist.txt

Nous venons de voir que pour la plupart, les caractères ASCII ne correspondent qu'à eux-mêmes. Néanmois, certains ont une signification spéciale. Les crochets définissent un ensemble, le signe moins "-" détermine une plage. Pour annuler le caractère spécial d'un symbôle, il suffit de le faire précéder d'une barre inversée "\". C'est ce que nous avions dans l'exemple précédent. Dans certains dialectes, certaines séquences de contrôle commencent par une barre inversée, qu'il faut alors supprimer pour retrouver la signification normale. 

Le point est un caractère spécial important. Il correspond à n'importe quel caractère sauf le saut de ligne. Par exemple: 

grep '^.2' phonelist.txt
 or
egrep '^.2' phonelist.txt

Les ensembles peuvent être inversés (négation) en indiquant "[^" à la place de "[" comme marque de début d'ensemble. Ainsi, le symbôle "^" ne signifie plus début de ligne, mais la combinaison "[^" indique ensemble inversé. 
 
[0-9]    est une forme à caractère unique qui correspond 
         aux chiffres entre zéro et neuf. 
[^0-9]   correspond à tout caractère ne représentant pas un chiffre. 
[^abc]   correspond à tout caractère différent de "a", de "b", et de "c".
 .       le point correspond à n'importe quel caractère sauf le saut de ligne, 
         il est donc équivalent à "[^\n]" où "\n" est le saut de ligne. 

Pour trouver toutes les lignes ne commencant pas par "1", il faudrait écrire: 

grep '^[^1]' phonelist.txt
ou
egrep '^[^1]' phonelist.txt

Ancrages

^  correspond à un début de ligne
$  correspond à une fin de ligne

egrep '567$' phonelist.txt

Répétitions

Un exemple sur l'agenda téléphonique: 

....
1248   Kate 634
....
1548  Kerry 534
....

grep '^1[0-9]\{1,\} \{1,\}K' phonelist.txt 

grep '^1[0-9][0-9]*  *K' phonelist.txt

egrep '^1[0-9]+ +K' phonelist.txt

perl -ne 'print if (/^1[0-9]+ +K/)' phonelist.txt

Il faut aussi remarquer que les répétitions sont gourmandes. C'est à dire que la première répétition dans la forme s'étend le plus possible vers la droite du texte. 

Ainsi l'expression "^1.*4" renverrait la ligne suivante en entier: 

1548  Kerry 534

Mémorisation avec les parenthèses

Le texte mémorisé est disponible à travers des variables. La première parenthèse de l'expression est la variable une, la seconde parenthèse la variable deux, etc. 

Nom du programme	Syntaxe des parenthèses	Syntaxe des variables
grep	\(\)	\1
egrep	()	\1
perl	()	\1 or ${1}
vi,vim,vile,elvis	\(\)	\1
emacs	\(\)	\1

Par exemple, l'expression "[a-z][a-z]" renverrait deux lettres minuscules. On peut réutiliser les deux caractères renvoyés afin de rechercher des formes comme 'otto': 

egrep '([a-z])([a-z])\2\1'

Cette construction de mémorisation avec les parenthèses n'est pas souvent utilisée pour des recherches de texte comme otto ou anna, mais plutôt lors des éditions ou pour des substitutions.  

Edition de texte avec les expressions régulières

Dans emacs, la commande à exécuter est  query-replace-regexp (demande-remplacement-expressions régulières M-x), qui peut aussi être affectée à une touche de fonction. Vous pouvez aussi utiliser la commande replace-regexp (remplacement-expressions  régulières). La première commande est interactive, la seconde ne l'est pas. 

Dans vi, la commande de substitution est "%s/ / /gc". Le symbôle "%" fait référence à l'étendue d'action de la commande (fichier complet), et peut être remplacé par n'importe quelle étendue appropriée. Par exemple, dans vim utilisez shift-v, marquez une étendue puis exécutez la substitution sur cette étendue. Je ne m'étendrai pas plus sur vim, qui mériterait un article à lui seul. Dans la commande de substitution, "gc" fait référence à la version interactive. La version sans confirmation est "s/ / /g". 

Interactif signifie ici demande de confirmation avant chaque remplacement. 

Avec perl vous pouvez utiliser: 

perl -pe 's/ / /g' 

Par exemple, le numéro 1423 devient 14223. 

Le répertoire téléphonique avant modification: 

Phone Name  ID
     ...
3412    Bob 123
3834  Jonny 333
1248   Kate 634
1423   Tony 567
2567  Peter 435
3567  Alice 535
1548  Kerry 534
     ...

vi:    s/^\(1.\)/\12/g
emacs: ^\(1.\)   replaced by  \12
perl:  perl -pe 's/^(1.)/${1}2/g' phonelist.txt

Phone Name  ID
     ...
3412    Bob 123
3834  Jonny 333
12248   Kate 634
14223   Tony 567
2567  Peter 435
3567  Alice 535
15248  Kerry 534
     ...

Vous remarquerez que l'alignement dans la liste est dorénavant perturbé. Comment remédier à ce problème? On peut tester si le caractère en cinquième position est un espace, et sinon ajouter un espace: 

vi:     s/^\(....\) /\1  /g
emacs:  '^\(....\) '  replaced by  '\1  '
perl:   perl -pe 's/^(....) /${1}  /g' phonelist.txt

Phone Name  ID
      ...
3412     Bob 123
3834   Jonny 333
12248   Kate 634
14223   Tony 567
2567   Peter 435
3567   Alice 535
15248  Kerry 534
      ...

Phone Name  ID
      ...
3412     Bob 123
     3834   Jonny 333
12248   Kate 634
14223   Tony 567
 2567   Peter 435
3567   Alice 535
  15248  Kerry 534
      ...

vi:     s/^  *//  (il y a 2 espaces car nous n'avons pas le +)
emacs:  '^ +'  remplacé par la chaîne vide 
perl:   perl -pe 's/^ +//' phonelist.txt

Les expressions régulières peuvent le faire. Remplacez simplement "temp([^o])" par "compteur\1". C'est à dire que l'on recherche maintenant la chaîne "temp" puis n'importe quel caractère différent de "o". (Une solution alternative aurait été d'utiliser les limites, mais nous n'avons pas discuté ce type d'ancrage.) 

J'espère que cet article aura suscité votre intérêt pour les expressions régulières. Je vous conseille de jeter un oeil aux pages d'aide et à la documentation de votre éditeur favori pour plus de détail. 

Bien sûr cet article n'est qu'une brève introduction, il existe d'autres caractères spéciaux, comme par exemple l'altération (sorte de OU logique), et aussi les limites de mots évoquées précédemment. 
 

Bonne édition, amusez-vous bien! 

Traduit par Jean-Denis Girard.