Les expressions régulières
Partie 4 sur 4
9Quelques exemples utiles, et leurs pièges
9.1Vérifier la forme, pas la réalité
Le motif ^\d{2}/\d{2}/\d{4}$ accepte « 04/11/2026 », mais aussi « 31/02/2026 » (le 31 février n’existe pas) et « 99/99/9999 ». Une expression régulière vérifie la forme d’un texte, jamais sa signification. Pour une date, on utilise l’expression régulière pour s’assurer de la forme, puis la bibliothèque de dates du langage pour vérifier l’existence du jour. Autre exemple : un numéro de téléphone français de forme courante s’écrit ^(?:0|\+33\s?)[1-9](?:[\s.-]?\d{2}){4}$, ce qui accepte « 02 47 00 00 00 », « 02.47.00.00.00 » et « +33 2 47 00 00 00 », mais rien ne dit que ce numéro est attribué.
9.2Les adresses de messagerie
C’est l’exemple préféré des tutoriels, et celui qu’il vaut mieux éviter. La norme qui décrit les adresses autorise des cas surprenants, et un motif qui les accepte tous est monstrueux. Un motif simple, comme ^[^@\s]+@[^@\s]+\.[^@\s]+$ (« du texte sans arobase ni blanc, une arobase, du texte, un point, du texte »), rejette les fautes de frappe évidentes sans refuser d’adresses réelles. Le seul vrai test d’une adresse est d’y envoyer un message avec un lien de confirmation (voir l’authentification).
9.3Analyser un journal d’événements
Un serveur web écrit une ligne par requête. Pour en extraire l’adresse du visiteur et la page demandée, on utilise deux groupes :
192.0.2.17 - - [04/Nov/2026:10:12:01 +0100] "GET /index.html HTTP/1.1" 200 512
^(\d{1,3}(?:\.\d{1,3}){3}) .*"GET (\S+)
→ groupe 1 : 192.0.2.17 groupe 2 : /index.html
Le motif \d{1,3} accepte « 999 », qui n’est pas une valeur d’adresse valide : pour de la recherche dans des journaux, cette tolérance est sans conséquence ; pour une vérification stricte, on convertit les nombres et on les compare. Pour l’analyse de journaux à grande échelle, les outils de supervision (voir la détection) reposent en grande partie sur ce type de motif.
9.4Ne pas analyser du HTML avec une expression régulière
Une réponse célèbre d’un forum d’entraide pour programmeurs, devenue une plaisanterie, explique que l’on ne peut pas analyser correctement du HTML avec des expressions régulières. La raison est de principe : les expressions régulières décrivent des formes plates, alors que le HTML est emboîté (des balises dans des balises, à n’importe quelle profondeur). Pour extraire un titre dans une page connue, un motif simple suffit. Pour du HTML quelconque, il faut un analyseur dédié (voir le langage HTML), qui gère les balises mal fermées, les commentaires et les majuscules.
9.5Le saut de ligne final
Dans PCRE (donc en PHP) et en Python, le dollar $ correspond à la fin du texte et aussi juste avant un saut de ligne final. Ainsi ^abc$ accepte « abc » mais aussi « abc\n ». Cette particularité provoque des failles discrètes : un nom de fichier ou un identifiant terminé par un saut de ligne passe un contrôle qui paraissait strict. Pour une fin de texte absolue, on emploie \z en PHP, \Z en Python, ou le modificateur D en PHP ; ou, en Python, la fonction re.fullmatch(). En JavaScript, $ ne se comporte pas ainsi.
9.6Lisibilité : commenter, découper, tester
Un motif long est illisible. Quelques habitudes aident : le décomposer en morceaux nommés assemblés par le programme ; utiliser le mode « étendu » de PCRE et de Python (drapeau x), qui ignore les espaces du motif et permet des commentaires ; l’accompagner de tests automatiques avec des exemples qui doivent correspondre et d’autres qui ne le doivent pas. Les sites de test en ligne permettent d’essayer un motif, mais n’y collez jamais des données réelles et sensibles (journaux d’entreprise, adresses de clients).
Une dernière règle de bon sens : quand une expression devient trop compliquée, c’est souvent le signe qu’un autre outil convient mieux. On écrit une expression régulière pour reconnaître une forme simple ; on utilise un analyseur pour un format structuré (JSON, XML, HTML, adresses électroniques complètes), voir les formats XML et JSON.
Pour s’exercer
Exercice 7 : le saut de ligne final
Une application PHP accepte un identifiant si preg_match('/^[a-z]+$/', $id) renvoie 1. Quelqu’un envoie « admin » suivi d’un saut de ligne. Que se passe-t-il, et que changer ?
Voir la réponse
Le dollar correspond aussi à la position qui précède un saut de ligne final : « admin\n » est accepté. Selon la suite du programme (comparaison avec une liste, nom de fichier, ligne de journal), cet identifiant « presque identique » peut contourner un contrôle. Correction : utiliser \z à la place de $ (/^[a-z]+\z/) ou le modificateur D (/^[a-z]+$/D) ; retirer les caractères de contrôle des entrées avant de les valider ; en Python, utiliser re.fullmatch(). Plus généralement : décrire ce qui est permis et vérifier le texte entier.
10Expressions régulières et sécurité
Les expressions régulières sont à la fois un outil de défense (filtrer, détecter) et une source de failles. Quatre idées à retenir.
10.1Une liste d’autorisation vaut mieux qu’une liste d’interdits
Pour contrôler une saisie, la bonne approche est de décrire ce qui est permis (par exemple ^[a-z0-9_-]{3,20}$ pour un identifiant) et de rejeter tout le reste. Essayer de décrire tout ce qui est dangereux revient à jouer au chat et à la souris : il y aura toujours une forme que l’on n’avait pas prévue (une casse inhabituelle, un autre encodage, un caractère invisible, un saut de ligne). Cette approche est dite « liste d’autorisation » (en anglais allow-list).
10.2Une expression régulière n’est pas un bouclier
On voit encore des applications qui prétendent se protéger des injections (voir l’injection SQL) ou des scripts malveillants dans les pages (voir le XSS) en retirant ou en refusant quelques mots avec une expression régulière. C’est inefficace : le bon remède est de séparer les données du code (requêtes paramétrées) et d’échapper le texte au moment de l’afficher. Une expression régulière peut compléter ces protections, jamais les remplacer. Un exemple qui transforme automatiquement une adresse de site en lien cliquable en réinsérant le texte tel quel dans la page est, pour cette raison, dangereux si le texte venait d’un visiteur : il faut d’abord rendre ce texte inoffensif (par htmlspecialchars() en PHP).
10.3L’emballement, ou ReDoS
La partie 8 a montré qu’un motif mal écrit peut occuper un processeur pendant des heures. Quand le texte analysé vient de l’extérieur, un attaquant peut en profiter : c’est le ReDoS (de l’anglais Regular expression Denial of Service, déni de service par expression régulière, voir les attaques par déni de service). Un seul message bien choisi, de quelques dizaines de caractères, suffit à immobiliser un processus. Le même défaut peut aussi se déclencher par accident : c’est arrivé à des services très connus (voir les anecdotes). Le classement des faiblesses logicielles de la communauté de sécurité le recense sous un numéro propre (CWE-1333).
La défense est celle de la partie 8.4 : motifs sans répétitions imbriquées, taille et délai limités, moteur à temps garanti pour les textes non fiables, et des outils de détection automatique des motifs risqués dans la revue de code.
10.4Les expressions régulières au service de la défense
Du côté du défenseur, elles sont partout : règles de détection dans les journaux, pare-feu applicatifs, filtres de messagerie (voir la détection), recherche de secrets oubliés dans le code (clés d’accès, mots de passe) avant qu’ils ne soient publiés, normalisation des données avant analyse. Leur point faible est le même qu’en 10.1 : un attaquant qui connaît le motif cherche une écriture qu’il ne couvre pas. On combine donc plusieurs signaux plutôt que de compter sur un seul motif.
11Erreurs courantes et évolutions
- La base n’a pas bougé :
^,$,*,+,?,{n,m},(),|,.,[ ]s’écrivent aujourd’hui comme hier, dans tous les langages. - POSIX n’est pas un système d’exploitation mais une famille de normes ; les expressions régulières lui préexistent.
- « Caractères ASCII » : on travaille aujourd’hui en Unicode ; les lettres accentuées sont le principal piège de
\w,\bet[a-z]. - Erreurs courantes :
[^a-zA-Z]ne désigne pas « une chaîne qui ne commence pas par une lettre » sans ancre ; la ligne « caractère non alphanumérique » du tableau était\W;\bCotrouve bien « Co » dans « DéCor » en JavaScript ; les classes POSIX exigent une double paire de crochets ;\on’existe pas en JavaScript. - PHP :
ereg,eregi,splitetsql_regcaseont été supprimées en 2015 (PHP 7.0) au profit depreg_*. - JavaScript : les propriétés spéciales de l’objet
RegExpet la méthodecompile()sont à éviter ; on dispose des groupes nommés, des assertions arrière, dematchAll(),replaceAll()et des drapeauxs,u,d,v. - MySQL : le comportement de
REGEXPvis-à-vis de la casse et la notation des frontières de mot ont évolué. - Sécurité : le risque d’emballement (ReDoS) et la prudence sur le saut de ligne final sont des points à ne pas négliger.