Les expressions régulières

Les expressions régulières se retrouvent dans une foule de langages et d'outils. Pour le détail veuillez consulter la documentation des expressions régulières

• Sous emacs (une aide complète sur Xemacs est disponible dans "Help->Info),
• dans le MOO (demandez l'aide dans le MOO avec 'help regular'"), voir aussi: Le MOO Prog Manual
• dans Perl et PHP (variante "Perl"), voir: Regular Expression Functions ]
• dans PHP (version POSIX): Regular Expression Functions (POSIX Extended)
• dans JavaScript(1.2) [voir: RegExp
• dans les outils UNIX ed, grep et egrep.

Résumé des conventions "universelles" pour les expressions régulières

• ^ représente le début (d'une ligne, d'une chaine de caractères)
• $ représente la fin (d'une ligne, d'une chaine de caractères)
• . représente n'importe quel caractère
• * represente 0 ou plus occurences d'un élément. Donc e* représente soit "" ou "e" ou "ee" ou "eee"
• + représente 1 ou plus occurences de e soit "e","ee","eee", etc
• ? represente 0 ou 1 occurence de e comme s? dans villes? qui represente l'ensemble { "ville" , "villes" }
• | represente un choix entre chaines de caractères, comme la|le qui représente l'ensemble { "la" , "le" }
. Voir le groupage pour délimiter !!
• ( ) groupage d'expressions, qui permet par ex. d'écrire (e|f)g au lieu de eg|fg. Le groupage est aussi utile pour faire des substitutions (voir plus bas).
• [xyz] classes de caractères - voir doc

Cette dizaine de symboles et de constructions constituent un noyau commun à à presque tous les modules d'expressions régulières.

Conventions "universelles" pour les expressions régulières de type "Perl"

• \w représente tout caractère alphanumérique (donc qui peut faire partie d'un mot au sens formel, c.a.d. lettres et chiffres).
• \W représente tout caractère non alphanumérique (donc qui peut pas faire partie d'un mot au sens formel, c.a.d. ponctuations, espaces, etc.)
• Voir les manuels pour le reste.

Une complication, la syntaxe de citation

• D'une part le caractère d'échappement varie, c'est \ dans le cas d'emacs, de PhP et de Perl, \\ dans JavaScript et % dans le cas du MOO.

  (N.B. Les "regexps" d'emacs/PhP et du MOO ne diffèrent que par ce caractère d'échappement)

• D'autre part le choix sens normal/sens spécial en fonction de la présence ou de l'absence du caractère d'échappement varie. Dans le cas d'emacs et du MOO, les caractères: (, |, ) ont leur sens spécial lorsqu'ils sont précédés du caractère d'échappement, et leur sens normal autrement. Dans le cas de Perl et de JavaScript, c'est le contraire ! Notez également qu'il faut utiliser \\ dans JavaScript !
• Enfin, certains langages (Python) permettent de stipuler quelle convention de citation on utilise.

Comment accéder aux expressions régulières

• Dans Emacs, à titre d'exemple:

  La recherche incrémentale par exemple avec le raccourci-clavier :C-M-s,
  le remplacement incrémental avec le raccourci-clavier :C-M-%,
  Chercher des lignes qui contiennent la même regexp: voir le menu.

  Il est utile d'utiliser Xemacs pour tester vos expressions fait en PHP, JS etc. Faites attention à la syntaxe de citation qui n'est pas forcément la même. Par exemple pour chercher à la fois "is" et "in" il faut utiliser i\(s\|n\).

• En JavaScript (1.2)

  Avec les méthodes match, replace, search de string. Voir String Matching And Replacing In Javascript 1.2 et The Javascript Reference Guide: en particulier RegExp and String

• Dans PHP

  Voir le chapitre "Regular Expression Functions" et surtout les fonctions eregi(pattern, string) et ereg(pattern, string)

  eregi ("(ozilla.[23]|MSIE.3)", $HTTP_USER_AGENT);  
   /* Returns true if client browser
      is Netscape 2, 3 or MSIE 3. */
  	

• Dans le MOO

  Avec le verbe match()

• Avec les outils Unix grep et egrep

  Grep et egrep sont des outils UNIX très utiles, qui permettent de retrouver des fichiers et des lignes de texte dans des fichiers contenant un "pattern".

  Un usage typique sera

    egrep -i -l 'd\.?k\.?s\.?|schneider' /www/*.html
  	

  Qui va afficher les noms des fichiers *.html du répertoire /www/ contenant soit les initiales "D.K.S." soit le string "schneider".

  Même chose, mais en cherchant dans des sous-répertoires (ATTENTION: ce type de commande est gourmande en ressources CPU). Le résultat de la recherche est mis dans le fichier "t".

  find . -name "*.html" -exec grep -il 'd\.?k\.?s\.?|schneider' {} >> t \;
  	

  N.B.

  • le -i indique que la recherche ne doit pas tenir compte des majuscules/minuscules
  • le -l indique qu'on ne veut que les noms de fichiers, sinon on a aussi toutes les lignes correspondantes (essayez)
  • le *.html est un cas de "filename globbing" et pas une expression régulière
  • l'expression régulière étant tapée dans le contexte du shell UNIX, il faut se méfier du fait que le shell lui-meme interprète divers caractères spéciaux à sa manière. Afin d'éviter tout problème, on entoure l'expression d'apostrophes.
  • Sans les apostrophes, le shell interpréterait à sa façon les caractères \ | et ? avec des résultats (presque) imprévisibles

Remplacement avec des expressions régulières

Exemples

• Dans Emacs

  M-x query-replace-regexp <\(/?\)b> RET <\1em> RET

  remplacera tous les <b> par des <em> et les </b> par des </em>, en demandant une confirmation pour chaque apparition.

  • les signes \( \) ? et \1 font partie de la syntaxe regexp d'emacs, les signes < > et / appartiennent à HTML
  • le signe \1 signifie "le contenu de ce qui a été reconnu dans la 1ère paire de \( \), on peut de meme employer \2, \3 etc pour faire référence à la seconde, troisième paire, etc
  • ici ce contenu sera un / facultatif, selon qu'on remplace un tag <b> ou </b>;

• Avec PhP

  $string = ereg_replace ("$", "<BR>", $string); 
   /* Mettre un <BR> tag au début de $string. */
   $string = ereg_replace ("\n", "", $string);
   /* Tuer les caractères newline dans $string. */
  	

• Avec JavaScript

  • Pour se référer à une expression il faut utiliser $n, par exemple $1 ou $2 ci-dessous.

     input = "surf is green";
     pattern = "/(\\w*) is (.*)/ig";
     replyPattern = "What is so $2 about $1?";
     result = input.replace(pattern, replyPattern);
     Ca donne result = What is so green about surf?
  	

• Avec Perl

  Perl est un langage de programmation complet, mais il admet des options d'invocations qui permettent d'accéder directement à son composant d'expressions régulières particulièrement puissant.

  Idiome

  • perl -pi.bak -e 's:<(/?)b>:<\\1em>:' mon_fichier.html

    est l'équivalent de la commande emacs ci-dessus

    • Malgré les apostrophes, le shell unix interprète les \ comme un caractère d'échappement, c'est pourquoi il faut écrire \\1 pour que perl obtienne \1
    • -p signifie de recopier chaque ligne du fichier de l'entrée vers la sortie
    • -i.bak signifie de mettre le résultat à la place du fichier original, et garder l'original en ajoutant .bak à son nom
    • -e 'instructions' signifie d'effectuer les instructions sur chaque ligne du fichier en cours de copie
    • L'instruction de substitution a la forme s:expression:substitution:
    • On peut remplacer les : par un autre caractère; le / est traditionellement utilisé, mais dans le cas présent / intervient dans le texte à remplacer.
    • On peut mettre plusieurs instruction Perl entre les apostrophes, séparées par des ;

Les expressions régulières ont une puissance limitée

Il y a une foule de modèles d'ordinateurs et de langages de programmation. Néanmoins, d'un point de vue théorique (c'est-à dire en ignorant les questions de performance et de limitation de mémoire) toutes ces machines (et langages) sont equivalentes, en ce sens qu'il est en principe possible de simuler chaque machine ou langage au moyen d'un programme (dit émulateur ou interpréteur) tournant sur une autre machine/langage. Ce fait est bien illustré, d'ailleurs, par les divers émulateurs Windows tournant sur Sun ou Mac.

De manière générale, les langages de programmation appartiennent a cette classe, dite de "la machine universelle". Les expressions régulières sont le cas d'exception d'un modèle de machine formellemoins puissant que la machine universelle mais néanmoins très utile et employé. Mais le plus souvent comme un "sous-langage", compartiment d'un langage plus puissant.

Un exemple de tache simple mais hors de portée du langage des expressions régulières : vérifier que les paires de parenthèses correspondent.

(.*) va admettre 1) "(x)" et 2) "(x))

([^)]*) élimine 2) mais admet 3) "((x)"

([^()]*) reconnait correctement une paire de parenthèse mais n'autorise pas 4: "((x))"

En fait il est possible d'écrire des expressions régulières qui vont reconnaitre les chaines de caractères ayant un nombre maximum prédéterminé de parenthèses imbriquées. Ecrivez-en une qui reconnait deux niveaux de parenthèses.