REGEXP

• Objet : Les expressions régulières
• Niveau requis :

  avisé
• Commentaires : Les caractères spéciaux utilisés dans les commandes en ligne.
• Suivi :
  • Création par smolski le 23/09/2013
  • Testé par smolski le 23/09/2013
• Commentaires sur le forum : Lien vers le forum concernant ce tuto¹⁾

Les regexp servent à manipuler des chaînes de caractères : recherches, expansions, substitutions.

Manipuler les chaînes de caractères est essentiel en informatique, surtout dans les logiciels libres (dont internet !) qui favorisent dès que possible le texte comme langage commun “universel” entre les machines et l'homme aussi bien qu'entre systèmes parfois très différents.
Si tous les fichiers de configuration sont en texte dans les logiciels libres, ce n'est pas par hasard, et s'ils sont souvent en binaire dans les logiciels propriétaires non plus (-_-); .

Les regexp ont une syntaxe tortueuse qui semble provenir du fond des âges de l'informatique, mais leur puissance et la possibilité de les utiliser à l'intérieur même des chaînes de caractères les rendent incontournables et massivement employées.

Même si c'est souvent un exercice de l'esprit, ça vaut le coup de faire l'effort d'apprendre à les utiliser.

À noter que, concernant le shell (le shell (l'interpréteur de commandes) vous allez aussi trouver le mot Glob.
La nuance est que l'expression va concerner le développement des chemins et non la modification dans les chaînes de caractère.

Vous connaissez sûrement au moins deux des principales expressions Glob mises ici : ? * \ []

Merci à Haricophile pour cette présentation.

Les regexp des shell sont des règles de filtrage permettant de sélectionner des fichiers selon leur nom ou leur emplacement.
Ces règles ne sont pas transmises au programme tel quel mais sont remplacées par le shell utilisé, aussi, pour la commodité de ce tuto et sauf indication contraire, nous utiliserons ici le shell bash.

Par exemple pour cette commande ls dont l'option -d permet à ls de lister uniquement les répertoires, sans leur contenu :

ls -d *

C'est bash qui va interpréter la regexp * (étoile) et la remplacer par tout le contenu du répertoire rendu ainsi lisible pour la commande ls et son action sur chacun d'eux comme ici par exemple :

fichier1 fichier2 … dossier1 …

Tout d'abord, un exemple pour appréhender les notions utilisées dans cette page.
Imaginons que, dans un répertoire, nous désirons sélectionner toutes les chaînes de caractères²⁾ dont la rédaction contient 3 a contigües (aaa).
Cette chaîne recherchée, formée des 3 a contigües (aaa), encadrée ou non d'autres lettres quelconques, se nomme dans son ensemble : un motif.

Pour décrire précisément ces motifs à un programme, on utilise des expressions régulières ou regular expression (ou encore un regexp en abrégé courant).

Pour ces regexp, différents programmes utilisent différentes syntaxes, de ce fait leurs symboliques peuvent être différentes il faut donc bien distinguer le contexte où interviennent les regexp.

Par exemple, un regexp destiné à l'utilisation d'une commande sed, find, locate ou grep, devra être écrit différemment que dans le contexte de l'utilisation d'une commande bash (voir : Bash - Les metacaractères (Pattern - Glob)).

Idem pour des contextes différents…

Pour être clair dans ce wiki,

1. nous indiquerons le terme REGEXP pour ce qui concerne le contexte find - locate - grep - sed
2. et nous utiliserons le terme GLOB pour ce qui concerne le contexte du bash.

Avec : pl[oi]p les caractères crochets [ ]définissent les regexp concernant les chaînes de caractères plop plip.

Pour avoir la même expression avec bash, il faudra écrire : pl{o,i}p.
Nous voyons donc que dans le contexte bash, il faudra utiliser³⁾ les caractères accolades { } pour définir les glob concernant les mêmes chaînes de caractères plop plip.

Il y a donc bien lieu d'utiliser les bons termes pour rédiger une commande au résultat identique selon le bon contexte.
C'est pourquoi ce tuto s'attache particulièrement à différencier ce contexte d'utilisation.

Dans ce tuto, nous allons donc nous intéresser aux regexp utilisées par sed, find, grep et locate (sensiblement les mêmes).

Nous allons ici utiliser vim, l'éditeur fétiche des amoureux du terminal !

Pour réaliser les TP mis en exemple dans ce tuto, il vous faut préparer ces répertoires et fichiers.
Créer le repertoire /home/user/tuto_regexp :

mkdir ~/tuto_regexp

Compléter ce répertoire comme indiqué dans les TP qui suivent.
Nous seront ainsi fin prêts pour réaliser les TP mis en exemple dans ce tuto !

Créer le fichier abraca et y inscrire le mot : Abracadabrantesque ainsi :

vim ~/tuto_regexp/abraca

et écrire :

 Abracadabrantesque

Enregistrer et quitter vim.

À suivre… smolski le 10/01/2013

Ces caractères suivants ont un statut particulier dans les regexp :

• L'accent circonflexe : ^
• Le point : .
• Les crochets doubles : [ ]
• Le signe dollar : $
• L'étoile : *
• Les accolades doubles : { }
• L'anti-slash : \

Avec les regexp, les shells effectuent certaines substitutions dans les commandes entrées par les utilisateurs avant de les exécuter.

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

Toutes ces lettres sont des caractères pouvant former une regexp.
Abracadantesque est donc déjà en soi une REGEXP reconnaissant exactement le mot Abracadabrantesque.

A.racadabrant….e

Comme vous l'aurez compris, les points . signifient n'importe quel caractère.
La chaîne ci-dessus est dans son ensemble une REGEXP qui reconnaît exactement les caractères entrant dans le mot recherché.
En effet, . (le point) est un caractère spécial reconnaissant n'importe quel caractère.

Tous nos caractères spéciaux ont des significations particulières, nous l'avons vu avec le .⁵⁾, c'est vrai pour les autres.
Ainsi, pour reconnaître chacun d'eux en tant que caractère non spécial, il faut l'échapper par un \⁶⁾.

Ainsi la combinaison : \.⁷⁾ reconnaît simplement .⁸⁾

Comme la combinaison : \\⁹⁾ reconnaît \¹⁰⁾

Ou encore la combinaison : \\\.¹¹⁾ reconnaît \.¹²⁾

Eh oui !

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

Exemple :
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 \?

Exemple :

La REGEXP : Chevals\? reconnaît aussi bien « Cheval » que « Chevals ».

Autre exemple : coq\?uille

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 « - ».

Il y a aussi des classes de caractères déjà prédéfinies.

Tableau des classes prédéfinies Source (merci titia)

[^x] reconnaît tous 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

^ désigne un début de ligne

$ désigne une fin de ligne

Exemple :

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

^$ identifie une ligne vide.

[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 ».

[^0-9]toto identifie les lignes contenant une chaîne toto et le premier caractère ne doit pas être un chiffre, par exemple : atoto, gtoto mais pas 1toto, 5toto.

Et :

[^a-zA-Z] n'importe quel caractère sauf une lettre minuscule ou majuscule.
Ici, attention où vous placez le point circonflexe ^, si vous tapez [1-3^], c'est désigner uniquement les caractères 1 2, 3 et ^.

D'une manière plus générale voici comment [ ] et (-) peuvent être utilisés :

[A-D] intervalle de A à D (A, B, C, D) par exemple bof[A-D] donne bofA, bofB, bofC, bofD

[2-5] intervalle de 2 à 5 (2, 3, 4, 5) par exemple 12[2-5]2 donne 1222, 1232, 1242, 1252

[2-56] intervalle de 2 à 5 et 6 (et non pas 56) (2, 3, 4, 5, 6) par exemple 12[2-56]2 donne 1222, 1232, 1242, 1252, 1262

a-dA-D] intervalle de a à d et A à D (a, b, c, d, A, B, C, D) par exemple z[a-dA-D]y donne zay, zby, zcy, zdy, zAy, zBy, zCy, zDy

[1-3-] intervalle de 1 à 3 et - (1, 2, 3, -) par exemple [1-3-]3 donne 13, 23, 33, -3

[a-cI-K1-3] intervalle de a à c, I à K et 1 à 3 (a, b, c, I, J, K, 1, 2, 3)

• http://cyberzoide.developpez.com/unix/sys.php3#metachar
• http://www.funix.org/fr/unix/expr-sed.htm