Les expressions régulières
Partie 2 sur 4
3Groupes, alternatives et mémoire
3.1Les parenthèses : regrouper
Les parenthèses servent d’abord à regrouper plusieurs éléments pour leur appliquer ensemble un quantificateur. Le motif a(bc)+ trouve « a » suivi d’au moins une occurrence de « bc » : « abc », « abcbc », « abcbcbc ». Sans parenthèses, abc+ n’aurait répété que le « c ».
3.2La barre verticale : ou bien
La barre verticale | signifie « ou ». Le motif (un|le) chien trouve « un chien » ou « le chien ». Autre exemple : une adresse de site pouvant se terminer par trois suffixes différents : example\.(net|com|org). Sans les parenthèses, la barre verticale couperait le motif en deux grandes branches : un|le chien signifie « un » ou « le chien », ce qui n’est pas du tout la même chose. En cas de doute, on met des parenthèses.
3.3Capturer, c’est se souvenir
Les parenthèses ont un deuxième rôle, dites « parenthèses capturantes » : elles mémorisent la portion de texte qui a correspondu. Chaque paire de parenthèses numérote un groupe, en comptant les parenthèses ouvrantes de gauche à droite : le groupe 1, le groupe 2, etc. Le groupe 0 désigne par convention la correspondance entière. Le programme peut ensuite récupérer ces morceaux, ce qui est le principe même de l’extraction. Avec le motif (\d{2})/(\d{2})/(\d{4}) appliqué à « 04/11/2026 », le groupe 1 vaut « 04 », le groupe 2 « 11 » et le groupe 3 « 2026 ».
On réutilise ces groupes dans le remplacement. Pour passer de « 04/11/2026 » à « 2026-11-04 », on remplace par « groupe 3, tiret, groupe 2, tiret, groupe 1 ». La manière de désigner un groupe dans le texte de remplacement change selon l’outil (\3, $3, \\3) : la forme \\1 était celle d’une ancienne fonction PHP aujourd’hui disparue ; les fonctions actuelles utilisent $1 ou \1.
Quand on veut seulement regrouper sans mémoriser, on écrit (?:…) : c’est un groupe non capturant. Cela évite de décaler la numérotation et allège le travail du moteur. Par exemple (?:un|le) chien trouve les mêmes textes que plus haut, mais ne crée aucun groupe numéroté.
3.4Donner un nom aux groupes
Les numéros deviennent vite illisibles. Les langages modernes permettent de nommer les groupes : en JavaScript et PHP on écrit (?<jour>\d{2}), en Python (?P<jour>\d{2}) (PHP accepte les deux formes). Le résultat se lit alors par son nom. Cette fonction, absente autrefois de la plupart des langages courants, rend un motif auto-documenté :
(?<jour>\d{2})/(?<mois>\d{2})/(?<an>\d{4})
3.5Réutiliser ce qu’on a trouvé : la référence arrière
On peut aussi, dans le motif lui-même, demander que le texte se répète à l’identique : \1 signifie « exactement ce qu’a capturé le groupe 1 ». Le motif \b(\w+) \1\b repère un mot immédiatement répété, comme dans « le le chat dort dort » (il trouve « le » et « dort »). Ce petit motif est très utile pour relire un texte : une faute de frappe classique est justement le mot doublé. On parle de référence arrière.
3.6Regarder autour sans consommer
Les dialectes modernes offrent aussi des conditions qui regardent le texte avant ou après la position courante, sans le « consommer » (c’est-à-dire sans l’inclure dans la correspondance). On les appelle assertions de contexte ou, avec leurs noms anglais, lookahead (regarder devant) et lookbehind (regarder derrière) :
x(?=y): « x » suivi de « y » (mais « y » ne fait pas partie du résultat) ;x(?!y): « x » non suivi de « y » ;(?<=y)x: « x » précédé de « y » ;(?<!y)x: « x » non précédé de « y ».
Par exemple, (?<=€)\d+ extrait le nombre qui suit un signe euro (« 45 » dans « €45 ») sans emporter le signe. Les assertions arrière sont disponibles en JavaScript depuis 2018. Elles ne sont pas prises en charge par tous les outils, et certains (dont les moteurs à temps garanti de la partie 8) les excluent volontairement.
4Classes abrégées, caractères spéciaux et accents
Écrire [0-9] pour dire « un chiffre » devient vite fastidieux. Les dialectes proposent des raccourcis, que l’on présente comme des « caractères spéciaux » précédés d’une barre oblique inverse. La figure 2 en donne l’essentiel.
4.1Les raccourcis courants
\d: un chiffre (équivalent de[0-9]) ;\D: tout sauf un chiffre.\w: un caractère de mot, soit une lettre, un chiffre ou le souligné_(équivalent de[a-zA-Z0-9_]) ;\W: tout le reste. On voit parfois\wdeux fois dans les tableaux : la deuxième ligne, « caractère non alphanumérique », désigne en réalité\W.\s: un caractère blanc : espace, tabulation, saut de ligne, retour chariot, saut de page ;\S: tout ce qui n’est pas blanc.\b: une frontière de mot, c’est-à-dire la position entre un caractère de mot et un autre signe (ou le début ou la fin du texte). Elle ne correspond à aucun caractère. Le motif\bcotrouve « co » au début d’un mot (« comment ») mais pas au milieu (« encore »).\Bdésigne l’inverse : une position qui n’est pas une frontière.\n,\r,\t,\f,\v: le saut de ligne, le retour chariot, la tabulation, le saut de page, la tabulation verticale. Ce sont les « caractères de contrôle » des vieilles machines à écrire et des téléscripteurs, toujours présents dans les fichiers texte.\xHH: le caractère dont le code en hexadécimal (base 16, voir l’hexadécimal) est HH ;\uHHHHen JavaScript pour un code de quatre chiffres hexadécimaux. On voit parfois\opour l’octal : cette notation n’existe pas en JavaScript.
Un exemple d’utilisation de la frontière de mot : he\b trouve « he » à la fin de « cache » mais pas dans « chenil », où le « he » est suivi d’autres lettres.
4.2Le piège des accents
On lit souvent que l’expression régulière manipule des « caractères ASCII », ce qui est trompeur : le monde des caractères a changé. L’ASCII est un très ancien code de 128 signes qui ne contient aucune lettre accentuée (voir le codage des caractères). Aujourd’hui, les textes sont en Unicode (la table universelle qui recense les signes de toutes les langues, voir les encodages), et la question « qu’est-ce qu’une lettre ? » dépend de l’outil :
- En JavaScript,
\wne comprend que les 63 signes ASCII. Le motif^\w+$refuse donc « café ». Pire :\bCotrouve « Co » dans « DéCor », car le « é » n’est pas un caractère de mot et il existe donc une frontière entre « é » et « C ». On lit parfois que\bCone trouve pas « DéCor » : c’est faux en JavaScript. - En Python 3 et en Java (selon les réglages),
\wcomprend les lettres de toutes les langues : « café » est accepté. - Dans les crochets,
[a-z]désigne les 26 lettres de l’alphabet latin de base, jamais « é », « ç » ou « ñ », partout.
La solution moderne est d’utiliser les propriétés Unicode : \p{L} désigne n’importe quelle lettre de n’importe quelle écriture, \p{Lu} une majuscule, \p{N} un chiffre. En JavaScript, il faut activer le drapeau u (voir partie 5) : /^\p{L}+$/u accepte « café » comme « garçon » ou « 北京 ». PCRE et Java connaissent aussi \p{L}.
Les classes POSIX présentées pour PHP ([:alpha:], [:digit:], [:space:], [:punct:]…) sont encore valides dans grep et PCRE, avec une règle souvent oubliée : elles doivent être écrites à l’intérieur de crochets, donc avec deux paires de crochets : [[:alpha:]]. Un motif comme « ^[:alnum:]+$ » ne fonctionne pas : PHP moderne le refuse avec une erreur de compilation.
4.3Tableau récapitulatif
| Signe | Signification | Exemple |
|---|---|---|
. | un caractère quelconque (sauf saut de ligne) | c.t trouve « cat », « c7t » |
^ $ | début, fin du texte (ou de la ligne avec m) | ^ab$ : exactement « ab » |
[abc] [a-z] | l’un de ces caractères ; un intervalle | [0-9a-f] : un chiffre hexadécimal |
[^abc] | tout sauf ces caractères | [^,]+ : du texte sans virgule |
* + ? | 0 ou plus ; 1 ou plus ; 0 ou 1 | colou?r : « color » ou « colour » |
{n} {n,m} | exactement n ; de n à m répétitions | \d{2,4} : de 2 à 4 chiffres |
( ) (?: ) | groupe capturant ; groupe non capturant | (ab)+ : « ab », « abab » |
| | ou bien | (oui|non) |
\ | retire ou donne un pouvoir spécial | \. : un vrai point |
\d \w \s \b | chiffre ; caractère de mot ; blanc ; frontière de mot | \bnom\b : le mot « nom » |
Pour s’exercer
Exercice 4 : le piège des accents
En JavaScript, /^[A-Za-z]+$/.test("café") donne false, et /\bCo/ trouve « Co » dans « DéCor ». Expliquez pourquoi et corrigez le premier motif.
Voir la réponse
L’ensemble [A-Za-z] ne contient que les 26 lettres de base : « é » n’y est pas. Par ailleurs, en JavaScript, \b repose sur \w, qui se limite à l’ASCII ; « é » compte donc comme un séparateur, et il existe une frontière de mot entre « é » et « C ». Pour accepter toutes les lettres, on écrit /^\p{L}+$/u : la propriété \p{L} désigne toute lettre, et le drapeau u active le mode Unicode. En Python 3, \w comprend déjà les lettres accentuées.
5Les drapeaux : régler le comportement
Un drapeau (en anglais flag, parfois « modificateur » ou « option ») change la manière dont tout le motif est lu. En JavaScript, il s’écrit après la barre oblique finale : /motif/gi. Les deux plus connus sont g (recherche globale, c’est-à-dire de toutes les occurrences et pas seulement de la première) et i (insensible à la casse, c’est-à-dire sans distinguer majuscules et minuscules). Il y en a d’autres :
| Drapeau | Effet | Ailleurs |
|---|---|---|
g | toutes les occurrences | fonctions « tout trouver » (findall, preg_match_all) |
i | ignore la casse | re.I en Python, /i en PHP |
m | ^ et $ valent pour chaque ligne | re.M, /m |
s | le point correspond aussi au saut de ligne | re.S, /s |
u | mode Unicode (\p{…}, caractères hors de la table de base) | actif par défaut en Python 3 |
y | « collant » : la correspondance doit commencer exactement à la position courante | — |
d | fournit les positions de chaque groupe | — |
v | version améliorée de u avec opérations sur les ensembles | — |
Les drapeaux s, et les groupes nommés ou assertions arrière vus plus haut, sont arrivés en JavaScript en 2018 ; d en 2022 ; v en 2024. Python et PHP permettent aussi de régler le mode en tête de motif : (?i) place l’ensemble du motif en mode insensible à la casse.
Deux autres fonctions de PHP étaient liées à la casse : eregi(), version insensible à la casse de ereg(), et sql_regcase(), qui fabriquait un motif insensible à la casse en remplaçant chaque lettre par un ensemble des deux casses (« un test » devenait [Uu][Nn][ ][Tt][Ee][Ss][Tt]). Ces bricolages n’ont plus lieu d’être : il suffit d’ajouter le drapeau i. Quant à REGEXP de MySQL, on lit parfois qu’il est sensible à la casse : ce n’est plus le cas dans la configuration courante : le comportement dépend du jeu de caractères de la colonne, et il est insensible à la casse par défaut sauf pour les données binaires. Le plus sûr est de lire la documentation de la base utilisée.