En informatique, une expression régulière ou expression rationnelle ou expression normale ou motif, est une chaîne de caractères, qui décrit, selon une syntaxe précise, un ensemble de chaînes de caractères possibles. Les expressions régulières sont également appelées regex (de l'anglais regular expression). Elles sont issues des théories mathématiques des langages formels. Les expressions régulières sont aujourd’hui utilisées pour la lecture, le contrôle, la modification, et l'analyse de textes ainsi que la manipulation des langues formelles que sont les langages informatiques.
L'exemple d'expression régulière suivant permet de valider qu'une chaîne de caractère correspond à la syntaxe d'un nombre entier non signé, c'est à dire une suite non vide de chiffres :
[0-9]+
En détails :
- Les crochets spécifient l'ensemble des caractères auquel doit appartenir le caractère courant de la chaîne. Dans cet exemple, l'ensemble est celui des chiffres de 0 à 9 inclus.
- Le caractère plus indique de répéter le motif précédent au moins une fois (suite non vide).
Les expressions régulières en Python nécessitent d'importer le module natif re[1], ou bien l'installation du module externe regex[2] si besoin des regex Unicode tels que \X
.
import re
chaine = "12345"
if re.compile('[0-9]+').match(chaine):
print "Entier positif"
Syntaxe
Les expressions rationnelles peuvent être analysées et testées via un débogueur en ligne comme https://regex101.com/.
Caractère | Type | Explication |
---|---|---|
. | Point | n'importe quel caractère |
[...] | crochets | classe de caractères : tous les caractères énumérés dans la classe, avec possibilité de plages dont les bornes sont séparées par "-". Ex : [0-9a-z] pour tout l'alphanumérique en minuscule, ou [0-Z] pour tous les caractères de la table Unicode entre "0" et "Z", c'est-à-dire l'alphanumérique majuscule plus ":;<=>?@"[3]. |
[^...] | crochets et circonflexe | classe complémentée : tous les caractères sauf ceux énumérés. |
^ | circonflexe | marque le début de la chaine, la ligne... |
$ | dollar | marque la fin d'une chaine, ligne... |
| | barre verticale | alternative - ou reconnaît l'un ou l'autre |
(...) | parenthèses | groupe de capture : utilisée pour limiter la portée d'un masque ou de l'alternative |
* | astérisque | 0, 1 ou plusieurs occurrences |
+ | le plus | 1 ou plusieurs occurrences |
? | interrogation | 0 ou 1 occurrence |
{...} | accolades | comptage : détermine un nombre de caractères remplissant les critères qu'il suit. Ex : a{2} deux occurrences de "a", a{1,10} (sans espace) entre une et dix. |
(?P<nom>pattern) | named subpattern | nomme le résultat d'un groupe de capture par un nom. |
Remarques :
- Les caractères de débuts et fin de chaines (
^
et$
) ne fonctionnent pas dans[]
où ils ont un autre rôle. - Les opérateurs
*
et+
sont toujours avides, pour qu'ils laissent la priorité il faut leur apposer un?
à leur suite[4].
Classe | Signification |
---|---|
[[:alpha:]] | n'importe quelle lettre |
[[:digit:]] | n'importe quel chiffre |
[[:xdigit:]] | caractères hexadécimaux |
[[:alnum:]] | n'importe quelle lettre ou chiffre |
[[:space:]] | n'importe quel espace blanc |
[[:punct:]] | n'importe quel signe de ponctuation |
[[:lower:]] | n'importe quelle lettre en minuscule |
[[:upper:]] | n'importe quelle lettre capitale |
[[:blank:]] | espace ou tabulation |
[[:graph:]] | caractères affichables et imprimables |
[[:cntrl:]] | caractères d'échappement |
[[:print:]] | caractères imprimables exceptés ceux de contrôle |
Expression | Signification |
---|---|
\A | Début de chaine |
\b | Caractère de début ou fin de mot |
\d | Chiffre |
\D | Non chiffre |
\n | Fin de ligne |
\\pL, \p{L}, \p{Letter} | Lettre (dans tout langage) |
\s | Caractères espace |
\S | Non caractères espace |
\t | Tabulation |
\w | Caractère alphanumérique : lettre, chiffre ou underscore |
\W | Caractère qui n'est pas lettre, chiffre ou underscore |
\X | Caractère Unicode |
\z | Fin de chaine |
Constructeurs spéciaux : Ces fonctions précèdent l'expression à laquelle elles s'appliquent, et le tout doit être placé entre parenthèses.
?:
: groupe non capturant. Ignorer le groupe de capture lors de la numérotation des backreferences. Exemple :((?:sous-chaine_non_renvoyée|autre).*)
.?>
: groupe non capturant indépendant.?<=
: positive lookbehind.?<!
: negative lookbehind.?=
: positive lookahead.?!
: negative lookahead. Exclusion d'une chaine. Il faut toujours la faire suivre d'un point. Exemples :
(?:ma_chaine)*
: groupe optionnel.\1
: résultat du premier groupe de capture dans les remplacements (\2 correspond au deuxième, etc.).
Recherche
compile()
renvoieNone
si l'expression rationnelle n'est pas trouvée dans la chaîne.
search()
renvoie la position des chaînes recherchées.
#!/usr/bin/env python
import re
chaine = "Test regex Python pour Wikibooks francophone."
if re.compile('Wikibooks').search(chaine):
print "Position du mot Wikibooks : "
print re.search(u'Wikibooks', chaine).start()
# Affiche "23"
print re.search(u'Wikibooks', chaine).end()
# Affiche "32"
Pour voir le pattern compilé : re.compile('Wikibooks').pattern
findall()
trouve toutes les correspondances dans un tableau.
finditer()
trouve toutes les correspondances dans un itérateur.
#!/usr/bin/env python
# Affiche tous les mots qui commencent par "Wiki"
import re
chaine = "Wikilivre regex Python pour Wikibooks francophone."
print (re.findall(r"Wiki\w+", chaine))
# Affiche ['Wikilivre', 'Wikibooks']
Les parenthèses imbriquées permettent d'indiquer des mots facultatifs au sein d'un groupe de capture. Ex :
#!/usr/bin/env python
# Trouve à un mot prêt
import re
chaine = "Wikilivre regex Python pour Wikibooks francophone."
regex = ur'(Python pour Wikibooks)'
print re.search(regex, chaine).start() # 16
regex = ur'(Python (pour )*Wikibooks)'
print re.search(regex, chaine).start() # 16
regex = ur'(Python pour (les )*Wikibooks)'
print re.search(regex, chaine).start() # 16
group()
Pour accéder aux résultats des groupes de capture, utiliser group()
en partant de 1 (0 étant le match du pattern entier) :
#!/usr/bin/env python
import re
chaine = "Wikilivre regex Python pour Wikibooks francophone."
s = re.search(ur'(Wiki[a-z]*).*(Wiki[a-z]*)', chaine)
if s:
print s.group(0)
# Affiche 'Wikilivre regex Python pour Wikibooks'
print s.group(1)
# Affiche 'Wikilivre'
print s.group(2)
# Affiche 'Wikibooks'
Flags
Le comportement de certaines expressions peut être reconfiguré en ajoutant un "flag" en paramètre des méthodes[9].
re.IGNORECASE
Ignore la casse. Ainsi dans l'exemple précédent nous pouvions aussi faire :
s = re.search(ur'(wiki[a-z]*).*(wiki[a-z]*)', chaine, re.IGNORECASE)
re.MULTILINE
Par défaut, les caractères "^" et "$" désignent le début et la fin de tout le texte. Or, en mode multiligne, un "^" en début de re.search() considérera le début de chaque ligne, et "$" leurs fins.
Pour partir uniquement du début de la chaîne globale, il faut alors ne plus utiliser "re.search()" mais "re.match()"[10].
re.DOTALL
Par défaut, .*
et .+
s'arrêtent aux retours chariot (\n). Pour qu'ils englobent ces retours à la ligne, il faut appeler re.DOTALL
. Exemple :
if re.search(regex, text, re.MULTILINE| re.DOTALL):
Remplacement
#!/usr/bin/env python
# Remplace tous les espaces par des underscores
import re
chaine = "Test regex Python pour Wikibooks francophone."
chaineTriee = re.sub(r' ', "_", chaine)
print chaineTriee
# Affiche "Test_regex_Python_pour_Wikibooks_francophone."
Pour remplacer certains éléments en conservant ceux placés entre parenthèses, il faut les désigner par \1, \2, \3...
#!/usr/bin/env python
# Ajoute des guillemets à tous les mots suivent "livre"
import re
chaine = "Test regex Python pour le livre Python de Wikibooks francophone."
chaineTriee = re.sub(r'(.*)livre (\w+)(.*)', r'\1livre "\2"\3', chaine)
print chaineTriee
# Affiche "Test regex Python pour le livre "Python" de Wikibooks francophone."
Remarque : si les paramètres (\1, \2...) sont remplacés par le symbole �, vérifier que la chaine regex est bien encodée avec r.
![Logo](../../I/OOjs_UI_icon_alert-warning.svg.png.webp)
![Logo](../../I/OOjs_UI_icon_alert-warning.svg.png.webp)
re.sub()
ne recherche pas tout comme re.search()
(qui a un global flag).Exemple : remplacement de la balise "font color=" par "span style=font-size:".
text = ur'<font color=green>Vert</font> / <font color=red>rouge</font>'
regex = ur'<font color=([^>]*)>'
pattern = re.compile(regex, re.UNICODE)
for match in pattern.finditer(text):
print u'Remplacement de ' + match.group(0) + u' par <span style="font-color:' + match.group(1) + u'">'
text = text.replace(match.group(0), u'<span style="font-color:' + match.group(1) + u'">')
text = text.replace('</font>', u'</span>')
raw_input(text)
Exemples de formules
- Récupérer le premier modèle 1 wiki non imbriquée dans un autre modèle :
page = u'{{Modèle2|Paramètre2, {{Modèle1|Paramètre3}} }}, {{Modèle1|Paramètre4}}'
regex = ur'({{(.*?)}}|.)*[^}]*'
raw_input(re.sub(regex, ur'\2', page).encode(config.console_encoding, 'replace'))
Pour indiquer un nombre précis d'occurrences, utiliser "{nombre}". Ex :
#!/usr/bin/env python
import re
chaine = 'w.1, ww.2, www.3, wwww.4'
print re.sub(ur' w{3}\.', ' http://www.', chaine)
w.1, ww.2, http://www.3, wwww.4
Idem pour une plage de nombres : {min,max}.
![Logo](../../I/OOjs_UI_icon_alert-warning.svg.png.webp)
re.escape()
.Références
- ↑ https://docs.python.org/3/howto/regex.html
- ↑ https://pypi.org/project/regex/
- ↑ https://unicode-table.com/fr/
- ↑ https://docstore.mik.ua/orelly/webprog/pcook/ch13_05.htm
- ↑ https://www.regular-expressions.info/posixbrackets.html
- ↑ http://www.regular-expressions.info/unicode.html
- ↑ https://www.regextester.com/15
- ↑ Jan Goyvaerts, Steven Levithan, Regular Expressions Cookbook, O'Reilly Media, Inc., (lire en ligne)
- ↑ https://docs.python.org/2/library/re.html#module-contents
- ↑ https://docs.python.org/2/library/re.html#search-vs-match