Scroll to navigation

REGEX(7) Manuel du programmeur Linux REGEX(7)

NOM

regex – Expressions rationnelles POSIX.2

DESCRIPTION

Les expressions rationnelles (« ER »), définies par POSIX.2 existent sous deux formes : les ER modernes (en gros celles de egrep que POSIX.2 appelle expressions rationnelles « étendues ») et les ER obsolètes (en gros celles de ed(1) — les ER « basiques » pour POSIX.2) (N.d.T. : le terme « officiel » pour la traduction de « regular expression » est « expression rationnelle » et c'est celui employé ici, mais consultez https://fr.wikipedia.org/wiki/Expression_régulières). Les ER obsolètes existent surtout à titre de compatibilité avec d'anciens programmes et elles seront abordées à la fin. POSIX.2 laisse de côté certains aspects syntaxiques et sémantiques des ER ; un signe « (!) » indique une interprétation qui peut ne pas être totalement portable sur d'autres implémentations de POSIX.2.

Une ER (moderne) est une(!) ou plusieurs branches non vides(!), séparées par « | ». Elle correspond à tout ce qui correspond à l'une des branches.

Une branche est une(!) ou plusieurs pièces concaténées. Elle correspond à ce qui correspond à la première pièce, suivi de ce qui correspond à la seconde, et ainsi de suite.

Une pièce est un atome suivi éventuellement d'un unique(!) « * », « + », « ? » ou d'un encadrement. Un atome suivi de « * » correspond à une séquence de zéro ou plusieurs correspondances pour l'atome. Un atome suivi d'un « + » correspond à une séquence d’une ou plusieurs correspondances pour l'atome. Un atome suivi d'un « ? » correspond à une séquence de zéro ou une correspondance pour l'atome.

Un encadrement est un « { » suivi d'un entier décimal non signé, suivi éventuellement d'une virgule, suivie éventuellement d'un autre entier décimal non signé, toujours suivis d'un « } ». Les entiers doivent être entre 0 et RE_DUP_MAX (255(!)) compris et, s'il y en a deux, le second ne doit pas être plus petit que le premier. Un atome suivi d'un encadrement contenant un entier i et pas de virgule correspond à une séquence de i correspondances pour l'atome exactement. Un atome suivi d'un encadrement contenant un entier i et une virgule correspond à une séquence d'au moins i correspondances pour l'atome. Un atome suivi d'un encadrement contenant deux entiers i et j correspond à une séquence de i à j (compris) correspondances pour l'atome.

Un atome est une ER encadrée par des parenthèses (correspondant à ce qui correspond à l’ER), un ensemble vide « () » (correspondant à la chaîne vide)(!), une expression entre crochets (voir plus bas), un point « . » (correspondant à n'importe quel caractère), un accent « ^ » (correspondant à une chaîne vide en début de ligne), « $ » (correspondant à une chaîne vide en fin de ligne), un « \ » suivi d'un des caractères « ^.[$()|*+?{\ » (correspondant à ce caractère considéré comme un caractère ordinaire), un « \ » suivi de n'importe quel autre caractère(!) (correspondant au caractère pris sous forme littérale, comme si le « \ » était absent(!)), ou un caractère simple sans signification particulière (correspondant à ce caractère). Un « { » suivi d'un caractère autre qu'un chiffre est considéré sous sa forme littérale, non pas comme le début d’un encadrement(!). Il est illégal de terminer une ER avec un « \ ».

Une expression entre crochets est une liste de caractères encadrés par « [] ». Elle correspond normalement à n'importe quel caractère de la liste (mais voir ci-après). Si la liste débute par « ^ », elle correspond à n'importe quel caractère sauf ceux de la liste (mais voir ci-après). Si deux caractères de la liste sont séparés par un « - », ils représentent tout l'intervalle de caractères entre eux (compris). Par exemple « [0-9] » en ASCII représente n'importe quel chiffre décimal. Il est illégal(!) d'utiliser la même limite dans deux intervalles, comme « a-c-e ». Les intervalles dépendent beaucoup de l'ordre de classement des caractères et les programmes portables doivent éviter de les utiliser.

Pour insérer un « ] » littéral dans la liste, il faut le mettre en première position (ou après un éventuel « ^ »). Pour inclure un « - » littéral, il faut le placer en première ou en dernière position, ou comme seconde borne d'un intervalle. Pour utiliser un « - » comme première borne d'intervalle, encadrez-le entre « [. » et « .] » pour en faire un élément de classement (voir plus bas). À l'exception de ces éléments et de quelques combinaisons avec des crochets (voir plus bas), tous les autres caractères spéciaux, y compris le « \ », perdent leurs significations spéciales dans une expression entre crochets.

Dans une expression entre crochets, un élément de classement (un seul caractère ou une séquence de caractères qui se comporte comme un seul, ou un nom de séquence de classement pour l’un ou l’autre) entre « [. » et « .] » correspond à la séquence des caractères de cet élément de classement. Une séquence est un seul élément de la liste d'expressions entre crochets. Une expression entre crochets contenant un élément de classement multicaractère peut donc correspondre à plus d'un caractère. Par exemple, si la séquence inclut un élément de classement « ch », alors l'ER « [[.ch.]]*c » correspond aux cinq premiers caractères de « chchcc ».

Dans une expression entre crochets, un élément de classement encadré par « [= » et « =] » est une classe d'équivalence, représentant les séquences de caractères de tous les éléments de classement équivalents à celui-ci, y compris lui-même (s'il n'y a pas d'autres éléments de classement équivalents, le fonctionnement est le même que si l'encadrement était « [. » et « .] »). Par exemple, si o et ^ sont les membres d'une classe équivalence, alors « [[=o=]] », « [[=^=]] » et « [o^] » sont tous synonymes. Une classe d'équivalence ne doit(!) pas être une borne d'intervalle.

Dans une expression entre crochets, le nom d'une classe de caractères encadré par « [: » et « :] » correspond à la liste de tous les caractères de la classe. Les noms des classes standard sont :

alnum digit punct
alpha graph space
blank lower upper
cntrl print xdigit

Ces classes correspondent aux classes de caractères définies pour wctype(3). Une localisation peut en fournir d'autres. Une classe de caractères ne doit pas être utilisée comme borne d'intervalle.

Dans le cas où une ER peut correspondre à plusieurs sous-chaînes d'une chaîne donnée, elle correspond à celle qui commence le plus tôt dans la chaîne. Si l'ER peut correspondre à plusieurs sous-chaînes débutant au même point, elle correspond à la plus longue sous-chaîne. Les sous-expressions correspondent aussi à la plus longue sous-chaîne possible, à condition que la correspondance complète soit la plus longue possible, avec les sous-expressions débutant le plus tôt dans l'ER ayant priorité sur celles débutant plus loin. Notez que les sous-expressions de haut niveau ont donc priorité sur les sous-expressions de bas niveau les composant.

La longueur des correspondances est mesurée en caractères, pas en éléments de classement. Une chaîne vide est considérée comme plus longue qu'aucune correspondance. Par exemple « bb* » correspond aux trois caractères du milieu de « abbbc », « (wee|week)(knights|nights) » correspond aux dix caractères de « weeknights », quand « (.*).* » est mis en correspondance avec « abc », la sous-expression entre parenthèses correspond aux trois caractères, et si « (a*)* » est mis en correspondance avec « bc », l'ER entière et la sous-ER entre parenthèses correspondent toutes deux avec la chaîne vide.

Si une correspondance sans distinction de casse est demandée, toutes les différences entre capitales et minuscules disparaissent de l'alphabet. Quand un symbole alphabétique existant dans les deux casses apparait hors d'une expression entre crochets, il est remplacé par une expression contenant les deux casses (par exemple « x » devient « [xX] »). Lorsqu'il apparaît dans une expression entre crochets, tous ses équivalents sont ajoutés (« [x] » devient « [xX] » et « [^x] » devient « [^xX] »).

Aucune limite particulière n'est imposée sur la longueur des ER(!). Les programmes destinés à être portables devraient limiter leurs ER à 256 octets, car une implémentation peut refuser les expressions plus longues pour demeurer compatible avec POSIX.

Les expressions rationnelles obsolètes (« basiques ») diffèrent sur plusieurs points. « | », « + » et « ? » sont des caractères normaux et n’ont pas d’équivalents pour leurs fonctionnalités. Les délimiteurs d'encadrement sont « \{ » et « \} », car « { » et « } » sont des caractères ordinaires. Les parenthèses pour les sous-expressions sont « \( » et « \) », « ( » et « ) » étant par eux-mêmes des caractères ordinaires. « ^ » est un caractère ordinaire sauf au début d'une ER ou(!) au début d'une sous-expression entre parenthèses, « $ » est un caractère ordinaire sauf à la fin d'une ER ou(!) à la fin d'une sous-expression entre parenthèses, et « * » est un caractère ordinaire s'il apparaît au début d'une ER ou au début d'une sous-expression entre parenthèses (après un éventuel « ^ » au début).

Enfin, il existe un nouveau type d'atome, la référence arrière : « \ » suivi d'un chiffre décimal non nul n qui correspond à la même séquence de caractères que ceux mis en correspondance avec la n-ième sous-expression entre parenthèses (les sous-expressions sont numérotées par leurs parenthèses ouvrantes, de gauche à droite), ainsi « \([bc]\)\1 » correspond à « bb » ou « cc » mais pas à « bc ».

BOGUES

Utiliser deux sortes d'ER est une ineptie.

La norme POSIX.2 actuelle dit que « ) » est un caractère ordinaire en l'absence de la « ( » correspondante. C'est dû à une erreur d'interprétation et cela changera probablement. Évitez d'en tenir compte.

Les références arrières sont une terrible ineptie et posent de gros problèmes pour une implémentation efficace. Elles sont de plus assez mal définies (est-ce que « a\(\(b\)*\2\)*d » correspond à « abbbd » ?). Évitez-les.

Les spécifications de POSIX.2 sur les correspondances sans distinction de casse sont assez vagues. La définition « une casse implique toutes les casses » donnée plus haut est le consensus actuel parmi les implémentations comme étant la bonne interprétation.

AUTEUR

Cette page est tirée du paquet regex de Henry Spencer.

VOIR AUSSI

grep(1), regex(3)

POSIX.2, section 2.8 (Regular Expression Notation).

COLOPHON

Cette page fait partie de la publication 5.10 du projet man-pages Linux. Une description du projet et des instructions pour signaler des anomalies et la dernière version de cette page peuvent être trouvées à l'adresse https://www.kernel.org/doc/man-pages/.

TRADUCTION

La traduction française de cette page de manuel a été créée par Christophe Blaess <https://www.blaess.fr/christophe/>, Stéphan Rafin <stephan.rafin@laposte.net>, Thierry Vignaud <tvignaud@mandriva.com>, François Micaux, Alain Portal <aportal@univ-montp2.fr>, Jean-Philippe Guérard <fevrier@tigreraye.org>, Jean-Luc Coulon (f5ibh) <jean-luc.coulon@wanadoo.fr>, Julien Cristau <jcristau@debian.org>, Thomas Huriaux <thomas.huriaux@gmail.com>, Nicolas François <nicolas.francois@centraliens.net>, Florentin Duneau <fduneau@gmail.com>, Simon Paillard <simon.paillard@resel.enst-bretagne.fr>, Denis Barbier <barbier@debian.org>, David Prévot <david@tilapin.org>, Frédéric Hantrais <fhantrais@gmail.com> et Jean-Paul Guillonneau <guillonneau.jeanpaul@free.fr>

Cette traduction est une documentation libre ; veuillez vous reporter à la GNU General Public License version 3 concernant les conditions de copie et de distribution. Il n'y a aucune RESPONSABILITÉ LÉGALE.

Si vous découvrez un bogue dans la traduction de cette page de manuel, veuillez envoyer un message à debian-l10n-french@lists.debian.org.

13 août 2020