Perl has often been tagged as a language in which it's easy to write programs that are difficult to read, and it's no secret that regular expression syntax that has been the chief culprit. Funny that other languages have been borrowing Perl's regular expressions as fast as they can...

-- Larry Wall, Apocalypse 5

expressions rationnelles

regular expressions => regexp

=> expressions régulières

théorie des automates et langages formels

grammaires de recherche de correspondances

• NFA : nondeterministic finite automaton

• DFA : deterministic finite automaton

UNIX : qed, ed, grep

POSIX regex

Perl 5, PCRE

Perl 6

correspondance de caractères

motif composé de :

• caractères normaux

•     "Hello World" =~ /World/;       # correspond

•     "Hello World" =~ /lo Wo/;       # correspond aussi

•     "That hat is red" =~ /hat/;     # le "hat" de "That" correspond

ensemble de caractères possible pour un emplacement de caractère

notées par [...]

    /[bcr]at/;          # cherche "bat", "cat", "rat"

    /[yY][eE][sS]/;     # cherche "yes", "Yes", YES", etc

    /yes/i;             # pareil, mais plus lisible

intervalles de caractères

    /[0-9]/;    # équivalent à /[0123456789]/

    /[a-z]/;    # équivalent à /[abcde...xyz]/

    /[0-9a-fA-F]/;  # chiffre hexadécimal

    /item[0-9]/;    # correspond à "item0", "item1"...

négation de classe : [^...]

    /[^0-9]/;   # cherche un caractère qui n'est pas un chiffre

classes prédéfinies :

• . : tout caractère sauf \n

• \d : chiffre décimal

• \w : caractère de mot (alphanumérique plus _)

• \s : espace normale, tabulation, saut de ligne

• \h : espace horizontal

• \v : espace vertical

• \R : saut de ligne

classes négatives prédéfinies :

• \D : ce qui n'est pas un chiffre décimal

• \W : ce qui n'est pas un caractère de mot

• \S : ce qui n'est pas un espace usuel

• \H : ce qui n'est pas un espace horizontal

• \V : ce qui n'est pas un espace vertical

exemples :

•     /\d\d:\d\d:\d\d/;   # format d'heure hh:mm:ss

•     /[-+]\d/;       # correspond à +2, -3, etc

•     /end\./;        # correspond à "end."
      /end[.]/;       # pareil

pour ancrer la recherche dans certains points

^ : en début de chaine

    "beausoleil" =~ /^soleil/;      # ne correspond pas

$ : en fin de chaine

    "beausoleil" =~ /beau$/;        # ne correspond pas

    "beausoleil" =~ /soleil$/;      # correspond

    "beausoleil\n" =~ /soleil$/;    # correspond aussi

\b : frontière de mot, intervient entre \w et \W

    "beausoleil" =~ /\bbeau/;       # correspond

    "beausoleil" =~ /\bbeau\b/;     # ne correspond pas

    "beausoleil" =~ /\bsoleil/;     # ne correspond pas

répétition d'un sous-motif

• * : zéro ou plusieurs fois

• + : une ou plusieurs fois

• ? : zéro ou une fois

• {n} : exactement n fois

• {n,} : au moins n fois

• {n,m} : entre n et m fois

exemples :

    "kraaack" =~ /kra+ck/;      # correspond

    "kraaack" =~ /kra{1,}ck/;   # correspond aussi

    "kraaack" =~ /kra{5,}ck/;   # ne correspond pas

    /\w+\d{2}/;                 # "item04", "machine42", "Kevin68", etc

    /\d+\.\d+\.\d+\.\d+/;       # recherche simple d'une adresse IPv4

    /<[-.\w]+\@[-.\w]+>/;       # recherche simple d'une adresse mail

    "aaaa" =~ /a+/;             # correspond avec "aaaa"

quantifieurs non avides :

• *? : zéro ou plusieurs fois, au plus tôt

• +? : une ou plusieurs fois, au plus tôt

• ?? : zéro ou une fois, au plus tôt

• {n}? : exactement n fois, au plus tôt

• {n,}? : au moins n fois, au plus tôt

• {n,m}? : entre n et m fois, au plus tôt

exemples :

    "aaaa" =~ /a+?/;    # correspond avec "a"

    "aaaabbbb" =~ /a+?b*?/;     # correspond avec "a"

    "aaaabbbb" =~ /a+?b+?/;     # correspond avec "aaaab"

quantifieurs possessifs (nouveauté de Perl 5.10 et PCRE 7)

• *+ : zéro ou plusieurs fois, et ne rend jamais

• ++ : une ou plusieurs fois, et ne rend jamais

• ?+ : zéro ou une fois, et ne rend jamais

• {n}+ : exactement n fois, et ne rend jamais

• {n,}+ : au moins n fois, et ne rend jamais

• {n,m}+ : entre n et m fois, et ne rend jamais

exemples :

    "aaaa" =~ /a+a/;   # /a+/ correspond avec "aaa"

    "aaaa" =~ /a+?a/;  # /a+?/ correspond avec "a"

    "aaaa" =~ /a++a/;  # ne correspond pas

résumé :

                            "Lorem ipsum dolor sit amet"
  recherche avide :          <<--| <<--| <<--| <<<<<--|
  recherche non-avide :      |--->>> |---> |--->> |--->
  recherche possessive :     |---| |---| |---| |------|

pour grouper des sous-motifs : (...)

par défaut, groupes capturant

référencées par \1, \2... dans le motif

référencées par $1, $2... à l'extérieur du motif

groupes non-capturant : (?:...)

exemples :

    /(\w+\d+ )+/;           # "item04 machine42 Kevin68 "

     /(?:\d+\.){3}\d+/;     # recherche simple d'une adresse IPv4

    /((?:\d+\.){3}\d+)/;    # recherche simple d'une adresse IPv4

    /(\w+) +\1/;            # recherche d'un mot répété

disjonction de sous-motifs au sein d'un groupe

exemple :

    /^(add|del|list) +(addr|route|rule|table) .../
        # "add addr ..."
        # "del rule ..."
        # "list route ..."

problème de la numérotation des captures

    / ( a )  (?: x ( y ) z | (p (q) r) | (t) u (v) ) ( z ) /x
    # 1            2         3  4        5     6     7

remise à zéro de branche : (?|..)

numérote les captures des branches d'une alternative comme s'il n'y en avait qu'une seule

    # before  ------------branch-reset-------------  after
    / ( a )  (?| x ( y ) z | (p (q) r) | (t) u (v) ) ( z ) /x
    # 1            2         2  3        2     3     4

nouvelle syntaxe de référencement : \g{N}

N positif : numéro de capture usuel

N négatif : référencement arrière relatif

\g{-1} == précédente capture

exemple

    my $find_dup = qr/ (\w+) \s+ \g{-1} /x;

(?<name>pattern) pour nommer une capture

\k<name>, \k{name} ou \g{name} pour s'y référer

exemple en Perl :

    my $find_dup = qr/ (?<dup_word>\w+) \s+ \k<dup_word> /x;

variables lexicales %+ et %-

$+{name} == \g{name}

$-{name} == référence vers un tableau de toutes les captures de ce nom

Tie::Hash::NamedCapture pour avoir des noms plus clairs

m// - recherche de correspondances

    $text = "whack zlott ooooff kraaack zzzzzwap";

    $text =~ /(kra+ck)/;

    print $1;               # "kraaack"

    $line = "peer_list = host1 host2 host3";

    $line =~ m/^(\w+) *= *(.*)$/;

    print $1;               # "peer_list"
    print $2;               # "host1 host2 host3"

s/// - recherche et remplacement

    $source =~ s/OpenOffice.org/LibreOffice/g;

    $World =~ s/war/peace/g;

s/// - recherche et remplacement

    $text = "The quick quick brown fox jump jump over the lazy dog.";

    $text =~ s/(\w+) +\1/$1/;

Regexp::Keep de Jeff Pinyan sur le CPAN

préserve la partie à gauche de \K

s/(save)delete/$1/ devient s/save\Kdelete//

identique mais bien plus rapide

• fonctionne par simple déplacement de pointeur, au lieu de réaliser des sauvegardes et copies de chaînes

split, join :

    $line = "saper:500:500:Sébastien Aperghis-Tramoni:/home/saper:/bin/bash";
    @fields = split /:/, $line;
    print $fields[5];       # "/bin/bash"

    $fields[3] = "Groucho Marx";
    $line = join ":", @fields;
    print $line;    # "saper:500:500:Groucho Marx:/home/saper:/bin/bash"

    @flags = qw( UP BROADCAST SMART RUNNING SIMPLEX MULTICAST );
    print join ", ", @flags;
                # "UP, BROADCAST, SMART, RUNNING, SIMPLEX, MULTICAST"

Mastering Regular Expression

par Jeffrey E.F. Friedl

ouvrage de référence en matière d'expressions régulières

toute

http://oreilly.com/catalog/9780596528126/

Introduction à la programmation en Perl - 4. Expressions régulières

par Sylvain Lhullier

expressions régulières

http://articles.mongueurs.net/magazines/linuxmag44.html

Perl moderne

expressions régulières actuelles

objet moderne avec Moose

bases de données avec DBI

programmation événementielle avec POE

navigation sur le web avec LWP et WWW::Mechanize

http://perlmoderne.fr/