Aller au contenu
Encyclopédie informatique Édition 2026

Les expressions régulières

Partie 2 sur 4

Niveau de lecture :

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.

LES RACCOURCIS LES PLUS UTILES, ET LEUR PIÈGE \d un chiffre, comme [0-9] en Python 3, aussi les chiffres d’autres écritures \w lettre, chiffre ou souligné JavaScript : ASCII seulement, donc « é » refusé \s espace, tabulation, saut de ligne inclut aussi retour chariot et saut de page \b frontière de mot (aucun caractère) JavaScript : « DéCor » a une frontière avant C . un caractère, sauf le saut de ligne le drapeau s l’autorise aussi \p{L} toute lettre, de toute écriture JavaScript : drapeau u ; accepte « café », « ñ » [a-z] les 26 lettres de base jamais « é » ni « ç », dans aucun langage Les majuscules \D, \W, \S, \B donnent le contraire de chaque raccourci.
Figure 2. Les classes abrégées les plus utiles et leur piège principal : les lettres accentuées.

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 \w deux 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 \bco trouve « co » au début d’un mot (« comment ») mais pas au milieu (« encore »). \B désigne 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 ; \uHHHH en JavaScript pour un code de quatre chiffres hexadécimaux. On voit parfois \o pour 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, \w ne comprend que les 63 signes ASCII. Le motif ^\w+$ refuse donc « café ». Pire : \bCo trouve « 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 \bCo ne trouve pas « DéCor » : c’est faux en JavaScript.
  • En Python 3 et en Java (selon les réglages), \w comprend 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

Tableau 1. Les signes à retenir.
SigneSignificationExemple
.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 1colou?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 \bchiffre ; 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 :

Tableau 2. Les drapeaux de JavaScript, avec leurs équivalents courants.
DrapeauEffetAilleurs
gtoutes les occurrencesfonctions « tout trouver » (findall, preg_match_all)
iignore la cassere.I en Python, /i en PHP
m^ et $ valent pour chaque lignere.M, /m
sle point correspond aussi au saut de lignere.S, /s
umode 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—
dfournit les positions de chaque groupe—
vversion 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.