Aller au contenu
Encyclopédie informatique Édition 2026

Les expressions régulières

Vous voulez retrouver tous les numéros de téléphone d’un texte, vérifier qu’une date a la bonne forme, ou renommer d’un coup deux cents fichiers : écrire une règle pour chaque cas serait interminable. Les expressions régulières (on dit aussi « regex ») sont un petit langage qui permet de décrire en une ligne la forme d’un morceau de texte, puis de laisser l’ordinateur chercher tout ce qui a cette forme. Elles se retrouvent partout : éditeurs de texte, commande de recherche des systèmes Unix, langages de programmation, bases de données, outils de sécurité. Cet article explique les briques du langage (caractères, répétitions, groupes, bornes), leurs différences d’un outil à l’autre, la manière dont l’ordinateur les applique et pourquoi une expression mal écrite peut bloquer un serveur entier. Il signale aussi que les anciennes fonctions PHP de ce domaine ont disparu depuis.

Rubrique
Développement
Niveau
Débutant à intermédiaire
Lecture
40 min (essentiel)
42 min (complet)
Révision
4 novembre 2026
Niveau de lecture :

En bref

  • Une expression régulière décrit la forme d’un texte avec quelques signes spéciaux : le point pour « n’importe quel caractère », l’étoile pour « zéro fois ou plus », les crochets pour « l’un de ceux-ci », les parenthèses pour regrouper.
  • Elle sert à trouver, vérifier ou remplacer du texte ; presque tous les langages la connaissent, avec de petites différences de syntaxe, que l’on appelle des « dialectes ».
  • Par défaut, la répétition est gloutonne : elle prend le plus de texte possible. Ajouter un point d’interrogation la rend paresseuse. C’est la source d’erreur la plus fréquente.
  • Une expression régulière vérifie la forme d’un texte, pas son sens : « 31/02/2026 » a la forme d’une date mais n’existe pas. Elle ne remplace ni la validation du contenu, ni la protection contre les injections.
  • Mal écrite, une expression peut déclencher un calcul exponentiel (le ReDoS) et bloquer un service : on évite les répétitions imbriquées et on limite la taille des textes analysés.

Prérequis conseillés : Les chaînes de caractères

1À quoi servent les expressions régulières ?

Imaginez que l’on vous donne un fichier de dix mille lignes et que l’on vous demande d’en extraire toutes les dates écrites sous la forme « 04/11/2026 ». Vous pourriez chercher « 04/11/2026 », puis « 05/11/2026 », puis… mais ce que vous cherchez en réalité n’est pas un texte précis : c’est une forme. Deux chiffres, une barre oblique, deux chiffres, une barre oblique, quatre chiffres. Une expression régulière (on dit aussi regex, de l’anglais regular expression, ou regexp) permet d’écrire cette forme en une ligne : \d{2}/\d{2}/\d{4}. Le programme lit ensuite le fichier et signale tout ce qui a cette forme.

L’idée est la suivante : des modèles créés à l’aide de caractères permettant de manipuler des chaînes de caractères, afin de trouver les portions de la chaîne qui correspondent au modèle. Une chaîne de caractères est simplement un morceau de texte, vu par le programme comme une suite de signes (voir les chaînes de caractères). Le modèle, que l’on appelle plus souvent motif (en anglais pattern), est le texte de l’expression régulière. Quand une portion de la chaîne respecte le motif, on dit qu’il y a correspondance (en anglais match).

Trois usages reviennent sans cesse :

  • Chercher : retrouver dans un texte toutes les portions qui ont une certaine forme (adresses de messagerie, numéros, mots-clés, lignes d’erreur dans un journal d’événements).
  • Vérifier : contrôler qu’un texte saisi a la bonne forme avant de l’accepter (un code postal, une plaque d’immatriculation, un nom de fichier).
  • Remplacer : transformer un texte en réutilisant des morceaux de ce qui a été trouvé (passer des dates de « 04/11/2026 » à « 2026-11-04 », supprimer les espaces en trop, renommer des fichiers).

On rencontre les expressions régulières dans les éditeurs de texte (la fonction « rechercher » en mode « expression régulière »), dans les outils en ligne de commande (voir le shell), dans la plupart des langages de programmation, dans les bases de données, dans les pare-feu applicatifs (qui filtrent les requêtes envoyées à un site web) et les outils de détection d’intrusion (voir la détection des attaques), dans les systèmes de gestion de journaux. Elles font partie de ces savoirs qui demandent une heure pour être compris et une vie pour être maîtrisés.

1.1D’où vient l’idée ?

L’expression « régulière » vient des mathématiques. Dans les années 1950, le mathématicien américain Stephen Kleene cherche à décrire, de façon exacte, des familles de suites de symboles que l’on peut reconnaître avec une machine très simple, dotée d’une mémoire minuscule. Il les appelle des « événements réguliers ». Les informaticiens de l’époque retiennent le mot et la notation. En 1968, Ken Thompson, l’un des créateurs du système Unix, publie une méthode pour appliquer ces expressions à la recherche de texte et l’intègre à un éditeur de texte. Quelques années plus tard, la commande Unix grep (de la commande de l’éditeur « g/re/p » : chercher globalement les lignes qui correspondent à une expression régulière et les afficher) en fait un outil du quotidien. Depuis, le langage Perl, puis presque tous les autres, l’ont adopté.

On lit parfois que ce système est « emprunté au système POSIX (un système d’exploitation) ». C’est inexact : POSIX n’est pas un système d’exploitation mais une famille de normes qui décrit comment les systèmes de type Unix doivent se comporter, en particulier leurs outils de texte. Les expressions régulières existaient avant elle ; la norme POSIX en a seulement fixé deux écritures, dites « basique » et « étendue », que l’on retrouve encore dans grep et sed (sed est un outil Unix qui transforme un texte ligne par ligne, par exemple en remplaçant des morceaux).

1.2Un langage, plusieurs dialectes

Il n’existe pas une syntaxe unique des expressions régulières, mais plusieurs dialectes proches. Les principaux :

  • le dialecte POSIX, celui des outils Unix traditionnels ; il existe en version basique (où certains signes doivent être précédés d’une barre oblique inverse pour être actifs) et étendue ;
  • le dialecte PCRE (de l’anglais Perl Compatible Regular Expressions, expressions régulières compatibles avec Perl), né du langage Perl, qui a fixé l’écriture que la plupart des langages imitent ; PHP, pour ses fonctions modernes, en utilise une bibliothèque ;
  • le dialecte de JavaScript, défini par la norme du langage (ECMAScript, la spécification officielle de JavaScript) ;
  • les dialectes de Python, Java, .NET, très voisins de PCRE ;
  • le dialecte de RE2, une bibliothèque de Google dont Go et Rust ont repris les principes : il renonce à quelques fonctions pour garantir un temps de calcul prévisible (partie 8).

La bonne nouvelle est que le cœur (les caractères ordinaires, le point, les crochets, *, +, ?, les parenthèses, la barre verticale, ^ et $) est identique partout. Cet article présente ce cœur, puis signale les points où les outils divergent. Quand on écrit une expression, on vérifie toujours dans la documentation de l’outil qu’on utilise.

1.3Le plan de l’article

La partie 2 présente les briques de base (figure 1). La partie 3 traite des groupes et des alternatives, la partie 4 des classes de caractères abrégées et des pièges liés aux accents (figure 2). La partie 5 présente les drapeaux, la partie 6 la manière de s’en servir dans JavaScript, PHP, Python et en ligne de commande. La partie 7 compare le comportement glouton et paresseux. La partie 8 explique comment le moteur travaille et pourquoi il peut s’emballer (figure 3). La partie 9 donne des exemples et des pièges courants, la partie 10 traite de la sécurité, et la partie 11 résume les erreurs courantes et ce qui a changé.

2Les briques de base

Une expression régulière se lit de gauche à droite et se compose de deux sortes de signes : les caractères ordinaires, qui se représentent eux-mêmes (la lettre « a » correspond à la lettre « a »), et les métacaractères, qui ont un rôle particulier. Le motif chat trouve donc le mot « chat » partout où il apparaît, y compris dans « chatte » et « achat ». Les métacaractères permettent d’écrire des motifs plus souples. La figure 1 décortique un exemple.

LE MOTIF SE LIT BRIQUE PAR BRIQUE ^ début du texte \d{2} deux chiffres - un tiret \d{2} deux chiffres - un tiret \d{4} quatre chiffres $ fin du texte jour mois année 04-11-2026 accepté chaque brique trouve sa part : jour, mois, année 4-11-2026 refusé la brique 2 veut deux chiffres et n’en trouve qu’un 04-11-26 refusé la brique 6 veut quatre chiffres et n’en trouve que deux 04/11/2026 refusé la brique 3 veut un tiret et trouve une barre oblique Sans les ancres début et fin, le motif accepterait aussi ref 04-11-2026 suivi de n’importe quoi.
Figure 1. Un motif se lit brique par brique : ici, une date écrite avec des tirets.

2.1Le point : n’importe quel caractère

Le point (.) correspond à un seul caractère quelconque, lettre, chiffre ou signe. Le motif c.t trouve « cat », « cet », « c7t » ou « c-t », mais pas « ct » (il n’y a rien entre le c et le t) ni « chat » (il y en a deux). Le motif ^.{3}$ signifie « un texte qui contient exactement trois caractères » (on explique ^, $ et les accolades un peu plus bas).

Une subtilité à connaître : dans la plupart des outils, le point ne correspond pas à un saut de ligne. Pour qu’il le fasse, il faut activer un mode particulier, souvent appelé « mode point-tout » (le drapeau s en JavaScript, Python et PCRE ; voir la partie 5).

2.2Échapper un caractère spécial

Que faire si l’on veut chercher un vrai point, par exemple celui de « example.org » ? Si l’on écrit example.org, le point correspond à n’importe quel caractère et le motif trouvera aussi « exampleXorg ». On échappe le caractère en le faisant précéder d’une barre oblique inverse (l’antislash, \) : example\.org. L’antislash retire son pouvoir spécial au caractère qui suit. Voici la liste des caractères à échapper : l’antislash lui-même, le point, le dollar, les crochets, les parenthèses, les accolades, le signe de renforcement ^, le point d’interrogation, l’étoile, le plus et le tiret et la barre verticale |. Une précision : le tiret n’est spécial qu’à l’intérieur de crochets.

Un piège classique apparaît quand l’expression est écrite dans un langage de programmation : le motif est alors placé dans une chaîne de caractères, et l’antislash a déjà un rôle dans la chaîne. En PHP, par exemple, un antislash doit donc être doublé. C’est toujours vrai dans les langages qui n’ont pas de notation spéciale : en Java, on écrit "\\d" pour obtenir le motif \d. Python et JavaScript proposent des remèdes : en Python on écrit r"\d" (la lettre r devant le guillemet signifie « chaîne brute », où l’antislash est conservé tel quel) ; en JavaScript on écrit le motif entre barres obliques, /\d/.

2.3Les ancres : début et fin

Les deux ancres les plus courantes ne correspondent à aucun caractère : elles marquent une position. Le circonflexe ^ placé au début signifie « au début du texte », et le dollar $ placé à la fin signifie « à la fin du texte ». Exemples :

  • ^debut : un texte qui commence par « debut » ;
  • fin$ : un texte qui se termine par « fin » ;
  • ^chaîne$ : un texte qui est exactement « chaîne » ;
  • abc : un texte qui contient « abc » quelque part.

Ce dernier cas explique un oubli très fréquent : sans ancres, le motif cherche à n’importe quel endroit. Le motif \d{5} accepte « 37000 », mais aussi « 123456789 » et « ref 12345 ». Pour vérifier qu’un texte entier a une forme, on encadre le motif par ^ et $.

Dans la plupart des dialectes, un drapeau « multiligne » (m) change le sens des ancres : elles marquent alors le début et la fin de chaque ligne et non du texte entier. On y reviendra en partie 5.

2.4Les crochets : une liste de caractères permis

Les crochets définissent un ensemble : le motif [abc] correspond à un seul caractère qui est « a », « b » ou « c ». Le tiret permet d’écrire un intervalle : [a-z] désigne les lettres minuscules de a à z, [0-9] les chiffres, [a-zA-Z0-9] les lettres non accentuées et les chiffres. Un circonflexe juste après le crochet ouvrant inverse l’ensemble : [^0-9] correspond à tout caractère qui n’est pas un chiffre.

Voici une erreur à connaître. On lit parfois que [^a-zA-Z] désigne une « chaîne qui ne commence pas par une lettre ». Ce n’est pas exact : ce motif trouve un caractère qui n’est pas une lettre, n’importe où dans le texte. Pour dire « ne commence pas par une lettre », il faut ajouter l’ancre : ^[^a-zA-Z]. Le circonflexe a donc deux sens selon sa place : début de texte hors des crochets, négation juste après le crochet ouvrant.

À l’intérieur des crochets, presque tous les signes perdent leur pouvoir spécial : [.*+?] désigne simplement un point, une étoile, un plus ou un point d’interrogation, sans qu’il soit utile de les échapper. Les exceptions sont :

  • le crochet fermant ], qu’il faut placer en premier dans la liste (ou après le circonflexe de négation) ; []-] désigne le crochet fermant ou le tiret ;
  • le tiret -, qu’il faut placer en premier ou en dernier pour qu’il soit pris pour un tiret et non pour un intervalle : [-ag] désigne le tiret, « a » ou « g » ;
  • l’antislash, qui garde son rôle dans la plupart des dialectes modernes ; le plus sûr est de l’échapper.

2.5Les quantificateurs : combien de fois ?

Un quantificateur se place juste après l’élément qu’il répète (une lettre, un groupe, un ensemble entre crochets) et dit combien de fois cet élément doit apparaître. Les trois plus courants sont :

  • * : zéro fois ou plus ;
  • + : une fois ou plus ;
  • ? : zéro ou une fois (autrement dit, l’élément est facultatif).

Exemples : abc+ trouve « ab » suivi d’un ou plusieurs « c » (« abc », « abcc »…) ; abc* trouve « ab » suivi de zéro, un ou plusieurs « c » (« ab », « abc »…) ; abc? trouve « ab » ou « abc ». Notez bien que le quantificateur ne porte que sur l’élément juste avant lui : ici le dernier « c », pas « abc ».

Les accolades permettent d’être précis : c{2} exactement deux « c », c{2,} au moins deux, c{2,4} de deux à quatre. Les trois signes précédents sont des raccourcis : * équivaut à {0,}, + à {1,}, ? à {0,1}. On dit parfois que le premier nombre est obligatoire (« {0,2} », mais pas « {,2} »). Cette règle dépend du dialecte : en JavaScript, a{,2} n’est pas un quantificateur mais le texte littéral « a{,2} » ; en Python, il est lu comme a{0,2}. Pour éviter toute surprise, on écrit toujours le zéro.

Reprenons la figure 1 : le motif ^\d{2}-\d{2}-\d{4}$ se lit « début du texte, deux chiffres, un tiret, deux chiffres, un tiret, quatre chiffres, fin du texte ». Il accepte « 04-11-2026 » et refuse « 4-11-2026 » (un seul chiffre pour le jour). Le signe \d est un raccourci pour « un chiffre » ; il est expliqué en partie 4.

Pour s’exercer

Exercice 1 : lire un motif

Le motif ^\d{2}/\d{2}/\d{4}$ est appliqué à ces cinq textes : « 04/11/2026 », « 4/11/2026 », « 04/11/26 », « 04/11/2026 » suivi d’un espace, « 31/02/2026 ». Lesquels sont acceptés ? Que prouve le dernier ?

Voir la réponse

Seuls le premier et le dernier sont acceptés. Le deuxième n’a qu’un chiffre pour le jour ; le troisième n’a que deux chiffres pour l’année ; le quatrième a un espace après la date, que l’ancre $ refuse. Le dernier, « 31/02/2026 », est accepté alors que le 31 février n’existe pas : une expression régulière contrôle la forme d’un texte, pas sa signification. Il faut ensuite faire vérifier la date par la bibliothèque de dates du langage.

Exercice 2 : écrire un motif

Écrivez un motif qui accepte une couleur écrite en hexadécimal comme sur les pages web : un dièse suivi de 3 ou de 6 caractères parmi les chiffres et les lettres de a à f (majuscules ou minuscules). Il doit accepter « #fff » et « #A1b2C3 » mais refuser « #ffff », « fff » et « #12 ».

Voir la réponse

^#(?:[0-9a-fA-F]{3}){1,2}$. Le groupe non capturant répète une fois ou deux un bloc de trois caractères, ce qui donne 3 ou 6 caractères au total ; les ancres obligent le texte entier à respecter cette forme. Avec le drapeau i, on peut écrire [0-9a-f] seulement. Vérification : « #ffff » a quatre caractères (ni 3 ni 6), « fff » n’a pas de dièse, « #12 » n’a que deux caractères.

Exercice 3 : glouton ou paresseux

Quel est le résultat de <b>.*</b> sur « <b>un</b> et <b>deux</b> » ? Comment obtenir les deux mots séparément ? Peut-on généraliser pour analyser n’importe quelle page web ?

Voir la réponse

Le motif glouton renvoie une seule correspondance : tout le texte, de la première ouverture à la dernière fermeture. Avec le quantificateur paresseux, <b>.*?</b>, ou avec un ensemble exclu, <b>[^<]*</b>, on obtient deux correspondances : « <b>un</b> » et « <b>deux</b> ». Mais ces motifs échouent dès que des balises sont imbriquées (« <b>un <b>deux</b></b> ») : pour du HTML quelconque, on utilise un véritable analyseur.