Expressions régulières en python
En Python, une expression régulière est une chaîne de caractères précédée d’un r. La différence avec une chaîne de caractères quelconque s’illustre aisément :
affiche
Opérations
Considérons le texte suivant :
>>> import re
>>> tt='cou2coucou22222cou'
Recherche de motifs
Satisfaisant une expression rationnelle
Pour retourner la liste des expressions de la forme 2+ (un nombre non nul de 2 :
>>> re.findall(r'2+',tt)
['2', '22222']
De même, pour trouver toutes les expressions régulières de la forme ta suivi d'un nombre quelconque de s :
>>> re.findall(r'tas*', 'ta tasse se tasse dans le tas')
['ta', 'tass', 'tass', 'tas']
Ne la satisfaisant pas
Pour retourner la liste des expressions qui ne sont pas de cette forme :
>>> re.split(r'2+',tt)
['cou', 'coucou', 'cou']
Substitution
>>> re.sub('2+','3','zrzer22zrer2fds222sdfd')
'zrzer3zrer3fds3sdfd'
On peut restreindre la substitution à la condition qu'un nombre fixé d'occurences soit rencontrées :
>>> re.sub('2{2,3}','3','zrzer22zrer2fds222sdfd')
'zrzer3zrer2fds3sdfd'
Dans ce qui précède, {m,n} signifie : de m à n répétitions de ce qui précède.
Syntaxe des expressions rationnelles
Symboles de répétition
- *
- Un nombre quelconque de fois le symbole précédent.
- +
- Au moins une fois le symbole précédent.
- ?
- 0 ou une fois le symbole précédent.
- {n}
- n fois le symbole précédent.
- {m,n}
- Entre m et n fois le symbole précédent.
- {m,}
- Au moins m fois le symbole précédent.
- {,n}
- Au plus n fois le symbole précédent.
- {m,n}?
- Le plus petit nombre de fois, compris entre m et n, le caractère précédent.
Le ou
- e1|e2
- Intercepte l'expression e1 ou l'expression e2.
- [ ]
- Le ou généralisé à plusieurs caractères.
- On peut définir des plages avec -. Ainsi, [a-z] décrit toutes les lettres minuscules.
- On peut définir la plage inverse avec ^. Ainsi, [^a-z] décrit tout ce qui n'est pas une lettre minuscule.
Les autres symboles
- .
- Tout caractère, sauf le saut de ligne.
- ^
- Le début d'une ligne.
- $\setminus \$ $
- La fin d'une ligne.
- $\setminus $A
- Le début d'une chaîne de caractères.
- $\setminus $b
- Le caractère d'espacement.
- $\setminus $B
- Le caractère d'espacement. A l'exception de ceux en début ou en fin de chaîne.
- $\setminus $d
- Un chiffre.
- $\setminus $D
- Un caractère qui n'est pas un chiffre.
- $\setminus $s
- Un caractère d'espacement quelconque (tabulation, saut de ligne...)
- $\setminus $S
- Le contraire de ce qui précède.
- $\setminus $w
- Un caractère alphanumérique, ou l'underscore \_.
- $\setminus $W
- Le contraire de ce qui précède.
- $\setminus $Z
- La fin de la chaîne.
Les options
- IGNORECASE
- Rend insensible à la casse.
>>> re.findall(r'a','aaAAaazexAAaa',re.I)
['a', 'a', 'A', 'A', 'a', 'a', 'A', 'A', 'a', 'a']
- UNICODE
- Les symboles $\setminus $w, $\setminus $W, $\setminus $b, $\setminus $B, $\setminus $d, $\setminus $D, $\setminus $s et $\setminus $S se basent sur de l'unicode.
- LOCALE
- Rend les symboles $\setminus $w, $\setminus $W, $\setminus $b, $\setminus $B dépendant de la langue locale du système.
- DOTALL
- Le saut de ligne est également pris en compte dans $\setminus $b.
- MULTILIGNE
- Les symboles ^ et \$ interprètent le début et la fin de chaque ligne.
Combiner plusieurs expressions rationnelles
- (e)
- Forme un groupe avec l'expression e.
- (?
:e) - Intercepte le groupe e, mais ne le conserve pas.
- (?<=e1)e2
- Permet d'intercepter e2, pourvu qu'elle soit précédée d'e1.
- (?<!e1)e2
- Permet d'intercepter e2, pourvu qu'elle ne soit pas précédée de e1.
Exemples d'utilisation
Rechercher une expression
>>> if re.search('gogo',chaine):
... print chaine
...s'il trouve gogo dans la chaine de caractères chaine, il affiche chaine.
Afficher les balises
>>> re.findall(r'<.*>','<div><p> Un paragraphe </p></div>')
['<div><p> Un paragraphe </p></div>']
Ce qui n'est pas le résultat souhaité. Pour obtenir la plus petite expression, à chaque fois :
>>> re.findall(r'<.*?>','<div><p> Un paragraphe </p></div>')
['<div>', '<p>', '</p>', '</div>']