perlre - Les expressions rationnelles en Perl
Cette page décrit la syntaxe des expressions rationnelles en Perl. (NdT: on emploie couramment le terme ``expression régulière'' car le terme anglais est ``regular expression'' qui s'abrège en ``regexp''. Mais ne nous y trompons pas, en français, ce sont bien des ``expressions rationnelles''.)
Si vous n'avez jamais utilisé les expressions rationnelles, vous trouverez une rapide introduction dans la page de manuel perlrequick et un tutoriel d'introduction un peu plus long dans la page de manuel perlretut.
Dans « Opérateurs d'expression rationnelle » dans la page de manuel perlop, vous trouverez
une présentation des opérateurs m//, s///, qr// et ?? avec
une description de l'usage des expressions rationnelles dans des
opérations de reconnaissances assortie de nombreux exemples.
Les opérations de reconnaissances peuvent utiliser différents modificateurs. Les modificateurs qui concernent l'interprétation des expressions rationnelles elles-mêmes sont présentés ici. Pour les modificateurs qui modifient l'usage des expressions rationnelles fait par Perl, regarder « Opérateurs d'expression rationnelle » dans la page de manuel perlop et « Les détails sordides de l'interprétation des chaînes » dans la page de manuel perlop.
Si use locale est actif, la table des majuscules/minuscules est celle du
locale courant. Voir la page de manuel perllocale.
Les modificateurs /s et /m passent outre le réglage de $*. C'est à
dire que, quel que soit le contenu de $*, /s sans /m obligent ``^'' à
reconnaître uniquement le début de la chaîne et ``$'' à reconnaître uniquement
la fin de la chaîne (ou juste avant le retour à la ligne final). Combinés, par
/ms, ils permettent à ``.'' de reconnaître n'importe quel caractère tandis que
``^'' et ``$'' reconnaissent alors respectivement juste après ou juste avant un
retour à la ligne dans la chaîne.
Ils sont couramment nommés « le modificateur /X », même si le
délimiteur en question n'est pas la barre oblique (/). En fait, tous ces
modificateurs peuvent être inclus à l'intérieur de l'expression rationnelle
elle-même en utilisant la nouvelle construction (?...). Voir plus bas.
Le modificateur /x lui-même demande un peu plus d'explication. Il demande à
l'interpréteur d'expressions rationnelles d'ignorer les espaces qui ne sont ni
précédés d'une barre oblique inverse (\) ni à l'intérieur d'une classe de
caractères. Vous pouvez l'utiliser pour découper votre expression rationnelle
en parties (un peu) plus lisibles. Le caractère # est lui aussi traité
comme un méta-caractère introduisant un commentaire exactement comme dans du
code Perl ordinaire. Cela signifie que, si vous voulez de vrais espaces ou des
# dans un motif (en dehors d'une classe de caractères qui n'est pas
affectée par /x), vous devez les précéder d'un caractère d'échappement ou
les coder en octal ou en hexadécimal. Prises ensembles, ces fonctionnalités
rendent les expressions rationnelles de Perl plus lisibles. Faites attention à
ne pas inclure le délimiteur de motif dans un commentaire (perl n'a aucun
moyen de savoir que vous ne vouliez pas terminer le motif si tôt). Voir le
code de suppression des commentaires C dans la page de manuel perlop.
Les motifs utilisés par la mise en correspondance de motifs sont des expressions rationnelles telles que fournies dans les routines de la Version 8 des expressions rationnelles. En fait, les routines proviennent (de manière éloignée) de la réécriture gratuitement redistribuable des routines de la Version 8 par Henry Spencer. Voir « Version 8 des expressions rationnelles » pour de plus amples informations.
Notamment, les méta-caractères suivants gardent leur sens à la egrep :
\ Annule le meta-sens du meta-caractère qui suit
^ Reconnaît le debut de la ligne
. Reconnaît n'importe quel caractère (sauf le caractère nouvelle ligne)
$ Reconnaît la fin de la ligne (ou juste avant le caractère nouvelle ligne final)
| Alternative
() Groupement
[] Classe de caractères
Par défaut, le caractère ``^'' ne peut reconnaître que le début de la ligne et
le caractère ``$'' que la fin (ou juste avant le caractère nouvelle ligne de la
fin) et Perl effectue certaines optimisations en supposant que la chaîne ne
contient qu'une seule ligne. Les caractères nouvelle ligne inclus ne seront
donc pas reconnus par ``^'' ou ``$''. Il est malgré tout possible de traiter une
chaîne multi-lignes afin que ``^'' soit reconnu juste après n'importe quel
caractère nouvelle ligne et ``$'' juste avant. Pour ce faire, au prix d'un léger
ralentissement, vous devez utiliser le modificateur /m dans l'opérateur de
reconnaissance de motif. (Les anciens programmes obtenaient ce résultat en
positionnant $* mais cette pratique est maintenant désapprouvée.)
Pour faciliter les substitutions multi-lignes, le méta-caractère ``.'' ne
reconnaît jamais un caractère nouvelle ligne à moins d'utiliser le
modificateur /s qui demande à Perl de considérer la chaîne comme une seule
ligne même si ce n'est pas le cas. Le modificateur /s passe outre le
réglage de $* au cas où vous auriez quelques vieux codes qui le
positionnerait dans un autre module.
Les quantificateurs standards suivants sont reconnus :
* Reconnaît 0 fois ou plus
+ Reconnaît 1 fois ou plus
? Reconnaît 0 ou 1 fois
{n} Reconnaît n fois exactement
{n,} Reconnaît au moins n fois
{n,m} Reconnaît au moins n fois mais pas plus de m fois
(Si une accolade apparaît dans n'importe quel autre contexte, elle est
traitée comme un caractère normal. En particulier, la borne minimale
n'est pas optionnelle) Le quantificateur ``*'' est équivalent à {0,},
le quantificateur ``+'' à {1,} et le quantificateur ``?'' à {0,1}. n
et m sont limités à des valeurs entières (!) inférieures à une valeur
fixée lors de la compilation de perl. Habituellement cette valeur est
32766 sur la plupart des plates-formes. La limite réelle peut être
trouvée dans le message d'erreur engendré par le code suivant :
$_ **= $_ , / {$_} / for 2 .. 42;
Par défaut, un sous-motif quantifié est « gourmand », c'est à dire qu'il essaie de se reconnaître un maximum de fois (à partir d'un point de départ donné) sans empêcher la reconnaissance du reste du motif. Si vous voulez qu'il tente de se reconnaître un minimum de fois, il faut ajouter le caractère ``?'' juste après le quantificateur. Sa signification ne change pas. Seule sa « gourmandise » change :
*? Reconnaît 0 fois ou plus
+? Reconnaît 1 fois ou plus
?? Reconnaît 0 ou 1 fois
{n}? Reconnaît n fois exactement
{n,}? Reconnaît au moins n fois
{n,m}? Reconnaît au moins n fois mais pas plus de m fois
Puisque les motifs sont traités comme des chaînes entre guillemets, les séquences suivantes fonctionnent :
\t tabulation (HT, TAB)
\n nouvelle ligne (LF, NL)
\r retour chariot (CR)
\f page suivante (FF)
\a alarme (bip) (BEL)
\e escape (pensez a troff)(ESC)
\033 caractère en octal (pensez au PDP-11)
\x1B caractère hexadecimal
\x{263a} caractère hexadecimal etendu (Unicode SMILEY)
\c[ caractère de controle
\N{nom} caractère nomme
\l convertit en minuscule le caractère suivant (pensez a vi)
\u convertit en majuscule le caractère suivant (pensez a vi)
\L convertit en minuscule jusqu'au prochain \E (pensez a vi)
\U convertit en majuscule jusqu'au prochain \E (pensez a vi)
\E fin de modification de casse (pensez a vi)
\Q desactive les meta-caractères de motif jusqu'au prochain \E
Si use locale est actif, la table de majuscules/minuscules utilisée par
\l, \L, \u et \U est celle du locale courant. Voir
la page de manuel perllocale. Pour de la documentation concernant \N{nom}, voir
charnames.
Vous ne pouvez pas inclure littéralement les caractères $ et @ à
l'intérieur d'une séquence \Q. Tels quels, ils se référeraient à la
variable correspondante. Précédés d'un \, ils correspondraient à la chaîne
\$ ou \@. Vous êtes obligés d'écrire quelque chose comme
m/\Quser\E\@\Qhost/.
Perl définit aussi les séquences suivantes :
\w Reconnaît un caractère de "mot" (alphanumérique plus "_")
\W Reconnaît un caractère de non "mot"
\s Reconnaît un caractère d'espace.
\S Reconnaît un caractère autre qu'un espace
\d Reconnaît un chiffre
\D Reconnaît un caractère autre qu'un chiffre
\pP Reconnaît la propriété P (nommée). Utilisez \p{Prop}
pour les noms longs
\X Reconnaît une séquence d'un caractère Unicode étendue,
équivalent à (?:\PM\pM*)
\C Reconnaît un caractère (d'un seul octet) meme sous utft8.
\w reconnaît un seul caractère alphanumérique (un caractère de
l'alphabet ou un chiffre) ou _, pas à un mot entier. Pour
reconnaître un mot entier au sens des identificateurs Perl, vous devez
utiliser \w+ (ce qui n'est pas la même chose que reconnaître les
mots anglais ou français). Si use locale est actif, la liste de
caractères alphanumériques couverts par \w dépend du locale
courant. Voir la page de manuel perllocale. Vous pouvez utiliser \w, \W, \s,
\S, \d, et \D à l'intérieur d'une classe de caractères mais
si vous essayez des les utiliser comme borne d'un intervalle, ce n'est
plus un intervalle et le ``-'' est compris littéralement. Si Unicode est
actif, \s reconnaître aussi ``\x{85}'', ``\x{2028} et ''\x{2029}``. Voir
perlunicode pour les détails à propos de \pP, \PP et \X,
et perluniintro pour tout ce qui concerne Unicode en général. Vous
pouvez définir de nouvelles propriétés pour \p et \P, voir
perlunicode.
La syntaxe POSIX des classes de caractères :
[:class:]
est aussi disponible. Les classes disponibles et leur équivalent via la barre oblique inversée (si il existe) sont les suivants :
alpha
alnum
ascii
blanck [1]
cntrl
digit \d
graph
lower
print
punct
space \s [2]
upper
word \w [3]
xdigit
[ \t] (tous les espaces
horizontaux).
\s puisque [[:space:]] inclut aussi
le (très rare) tabulateur vertical : "\ck" ou chr(11).
Par exemple, utilisez [:upper:] pour reconnaître tous les caractères
minuscules. Remarquez que les crochets ([]) font partie de la construction
[::] et non de la classe de caractères. Par exemple :
[01[:alpha:]%]
reconnaît les chiffres un et deux, le caractère pourcent et tous les caractères alphabétiques.
Voici un tableau d'équivalence des classes avec les constructions Unicode \p{} et avec les classes représentées par un caractère précédé d'un backslash lorsqu'elles existent :
[:...:] \p{...} backslash
alpha IsAlpha
alnum IsAlnum
ascii IsASCII
blank IsSpace
cntrl IsCntrl
digit IsDigit \d
graph IsGraph
lower IsLower
print IsPrint
punct IsPunct
space IsSpace
IsSpacePerl \s
upper IsUpper
word IsWord
xdigit IsXDigit
Par exemple [:lower:] et \p{IsLower} sont équivalents.
Si le pragma utf8 n'est pas actif mais que le pragma locale
l'est, les classes sont corrélées via l'interface isalpha(3) (sauf
pour ``word'' et ``blank'').
Les classes nommées non évidentes sont :
ord() renvoie une valeur inférieure à 32 sont
des caractères de contrôle (avec l'ASCII, les codages de caractères
ISO Latin et Unicode) ainsi que le caractère dont la valeur ord() vaut
127 (DEL).
graph[0-9A-Fa-f] fonctionne
très bien), elle est inclue pour la complétude.
Vous pouvez utilisez la négation d'une classe de caractères [::] en préfixant son nom par un '^'. C'est une extension de Perl. Par exemple :
POSIX traditionnel Unicode
[:^digit:] \D \P{IsDigit}
[:^space:] \S \P{IsSpace}
[:^word:] \W \P{IsWord}
Perl respecte le standard POSIX puisque les classes de caractères POSIX ne sont supportées qu'à l'intérieur d'une classe de caractères. Les deux classes de caractères POSIX [.cc.] et [=cc=] sont reconnues sans être supportées : toute tentative d'utilisation de ces classes provoquera une erreur.
Perl définit les assertions de longueur nulle suivantes :
\b Reconnaît la limite d'un mot
\B Reconnaît autre chose qu'une limite de mot
\A Reconnaît uniquement le début de la chaîne
\Z Reconnaît uniquement la fin de la chaîne (ou juste avant le
caractère de nouvelle ligne final)
\z Reconnaît uniquement la fin de la chaîne
\G Reconnaît l'endroit ou s'est arrete le precedent m//g
(ne fonctionne qu'avec /g)
Une limite de mot (\b) est définie comme le point entre deux caractères qui
sont d'un côté un \w et de l'autre un \W (dans n'importe quel ordre). Le
début et la fin de la chaîne correspondent à des caractères imaginaires de
type \W. (À l'intérieur d'une classe de caractères, \b représente le
caractère ``backspace'' au lieu d'une limite de mot.) \A et \Z agissent
exactement comme ``^'' et ``$'' sauf qu'ils ne reconnaissent pas les lignes
multiples quand le modificateur /m est utilisé alors que ``^'' et ``$''
reconnaissent toutes les limites de lignes internes. Pour reconnaître la fin
réelle de la chaîne, en tenant compte du caractère nouvelle ligne, vous devez
utiliser \z.
\G est utilisé pour enchaîner plusieurs mises en correspondance (en
utilisant m//g). Voir « Opérateurs d'expression rationnelle » dans la page de manuel perlop. Il est aussi utile lorsque vous écrivez un analyseur
lexicographique à la lex ou lorsque vous avez plusieurs motifs qui
doivent reconnaître des sous-chaînes successives de votre chaîne. Voir
la référence précédente. L'endroit réel à partir duquel \G va être
reconnu peut être modifié en affectant une nouvelle valeur à
pos(). Voir pos dans la page de manuel perlfunc. Actuellement, \G n'est utilisable
que lorsqu'il est placé en tout début de motif; bien qu'utilisable
partout en théorie, comme dans /(?<=\G..)./g, quelques cas (comme,
par exemple, /.\G/g) posent problème et il est donc recommandé de
ne pas le faire.
La construction (...) crée des zones de mémorisation (des
sous-motifs). Pour vous référer au n-ième sous-motifs, utilisez
\n à l'intérieur du motif. À l'extérieur du motif, utilisez
toujours ``$'' à la place de ``\'' devant n. (Bien que la notation
\n fonctionne en de rares occasions à l'extérieur du motif courant,
vous ne devriez pas compter dessus. Voir l'avertissement au sujet de
\1 et de $1.) Une référence à un sous-motif mémorisé est appelée une
référence arrière.
Vous pouvez utiliser autant de sous-motifs que nécessaire. Par contre, Perl utilise les séquences \10, \11, etc. comme des synonymes de \010, \011, etc. (Souvenez-vous que 0 signifie octal et donc \011 est le caractère codé par un neuf dans votre jeu de caractère, une tabulation en ASCII.) Perl résoud cette ambiguïté en interprétant \10 comme une référence arrière uniquement si il y a déjà au moins 10 parenthèses ouvrantes avant. De même, \11 sera une référence arrière uniquement si il y a au moins onze parenthèses ouvrantes avant. Et ainsi de suite. Les séquences de \1 à \9 sont toujours interprétées comme des références arrières.
Exemples :
s/^([^ ]*) *([^ ]*)/$2 $1/; # echange les deux premiers mots
if (/(.)\1/) { # trouve le premier caractère répété
print "'$1' is the first doubled character\n";
}
if (/Time: (..):(..):(..)/) {
$hours = $1;
$minutes = $2;
$seconds = $3;
}
Plusieurs variables spéciales se réfèrent à des portions de la
dernière reconnaissance. $+ renvoie le dernier sous-motif entre
parenthèses reconnu. $& renvoie le dernier motif
reconnu. (Autrefois $0 était utilisé pour le même usage mais
maintenant, il renvoie le nom du programme.) $` renvoie tout ce qui
est avant le motif reconnu. $' renvoie tout ce qui est après le
motif reconnu. Et $^N renvoie ce qui a été reconnu par le dernier
sous-motif refermé. $^N peut-être utilisé dans les motifs étendus
(voir plus bas), par exemple pour affecter un sous-motif à une
variable.
Les variables numérotées ($1, $2, $3, etc.) et les variables spéciales
ci-dessus ($+, $&, $`, $' et $^N) ont toutes une portée
dynamique allant jusqu'à la fin du bloc englobant ou jusqu'à la
prochaine reconnaissance réussie selon ce qui arrive en premier. (Voir
« Instructions composées » dans la page de manuel perlsyn.)
Note : en Perl, l'échec d'une tentative de reconnaissance ne réinitialise pas ces variables. Cela facilite l'écriture de codes qui testent une succession de cas de plus en plus spécifiques et qui mémorisent la meilleure reconnaissance.
Attention : à partir du moment où perl voit que vous avez besoin
de l'une des variables $&, $` ou $' quelque part dans votre
programme, il les calculera à chaque reconnaissance de motif et ce
pour tous les motifs. Cela peut ralentir considérablement votre
programme. Le même mécanisme est utilisé lors de l'utilisation de $1,
$2, etc.. Ce ralentissement a donc lieu aussi pour les motifs
mémorisant des sous-motifs. (Pour éviter ce ralentissement tout en
conservant la possibilité d'utiliser des regroupements, utilisez
l'extension (?:...) à la place.) Mais si vous n'utilisez pas $&,
etc. dans vos scripts alors vos motifs sans mémorisation ne seront
pas pénalisés. Donc, évitez $&, $' et $` si vous le
pouvez. Dans le cas contraire (et certains algorithmes en ont
réellement besoin), si vous les utilisez une fois, utilisez-les
partout car vous en supportez déjà le coût. Depuis la version 5.005,
$& n'est plus aussi coûteux que les deux autres.
Les méta-caractères précédés d'un caractère barre oblique inversée en
Perl sont alphanumériques tels \b, \w, \n. À l'inverse
d'autres langages d'expressions rationnelles, il n'y a pas de symbole
précédé d'un caractère barre oblique inversée qui ne soit pas
alphanumérique. Donc tout ce qui ressemble à \\, \(, \), \<,
\>, \{, ou \} est toujours interprété littéralement et non comme
un méta-caractère. Ceci est utilisé pour désactiver (ou «quoter») les
éventuels méta-caractères présents dans une chaîne que vous voulez
utiliser comme motif. Tout simplement, il vous suffit de précéder tous
les caractères non-``mot'' par un caractère barre oblique inversée :
$pattern =~ s/(\W)/\\$1/g;
(Si use local est actif alors le résultat dépend de votre locale courant.)
Aujourd'hui, il est encore plus simple d'utiliser soit le fonction quotemeta()
soit la séquence \Q pour désactiver les éventuels méta-caractères :
/$unquoted\Q$quoted\E$unquoted/
Sachez que si vous placez une barre oblique inversée directement (pas
celles qui sont dans des variables interpolées) entre \Q et \E,
la double interpolation peut vous amener des résultats très
étonnants. Si vous avez besoin de constructions de ce genre,
consultez « Les détails sordides de l'interprétation des chaînes » dans la page de manuel perlop
Perl intègre une extension de la syntaxe des expressions rationnelles afin d'ajouter les fonctionnalités inexistantes dans les outils standard tels que awk et lex. La syntaxe est une paire de parenthèses avec un point d'interrogation comme premier caractère entre les parenthèses. Le caractère qui suit le point d'interrogation précise l'extension choisie.
La stabilité de ces extensions est très variable. Certaine font partie du langage depuis de longues années. D'autres sont encore expérimentales et peuvent changer sans préavis ou même être retirées complètement. Vérifier le documentation de chacune de ces extensions pour connaître leur état.
Le point d'interrogation a été choisi pour les extensions ainsi que pour les modificateurs non gourmands parce que 1) les points d'interrogation sont rares dans les vieilles expressions rationnelles et 2) pour qu'à chaque fois que vous en voyez un, vous vous arrêtiez pour vous ``interroger'' sur son comportement. C'est psychologique...
(?#texte)/x est
utilisé pour autoriser la mise en forme avec des blancs, un simple
# devrait suffire. Notez que Perl termine le commentaire dès qu'il
rencontre ). Il n'y a donc aucun moyen de mettre le caractère )
dans ce commentaire.
(?imsx-imsx)-) jusqu'à la fin du motif ou du sout-motif
courant. C'est très pratique pour les motifs dynamiques tels ceux lus
depuis un fichier de configuration, ceux provenant d'un argument ou
ceux qui sont spécifiés dans une table quelque part. Certains devront
être sensibles à la casse, d'autres non. Dans le cas où un motif ne
doit pas être sensible à la casse, il est possible d'inclure (?i)
au début du motif. Par exemple :
$pattern = "foobar";
if ( /$pattern/i ) { }
# plus flexible :
$pattern = "(?i)foobar";
if ( /$pattern/ ) { }
Ces modificateurs sont locaux au groupe englobant (si il existe). Par exemple :
( (?i) blah ) \s+ \1
reconnaîtra un mot blah répété (y compris sa casse !) (en supposant le
modificateur x et aucun modificateur i à l'extérieur du groupe).
(?:motif)(?imsx-imsx:motif)
@fields = split(/\b(?:a|b|c)\b/)
est similaire à
@fields = split(/\b(a|b|c)\b/)
mais ne produit pas de mémorisations supplémentaires. C'est moins couteux de ne pas mémoriser des caractères si vous n'en avez pas besoin.
Les lettres entre ? et : agissent comme des modificateurs. Voir
(?imsx-imsx). Par exemple :
/(?s-i:more.*than).*million/i
est équivalent à l'expression plus verbeuse
/(?:(?s-i)more.*than).*million/i
(?=motif)/\w+(?=\t)/ reconnaît un mot suivit d'une tabulation
sans inclure cette tabulation dans $&.
(?!motif)/foo(?!bar)/ reconnaît toutes les occurrences de ``foo''
qui ne sont pas suivies de ``bar''. Notez bien que regarder en avant n'est pas
la même chose que regarder en arrière (!). Vous ne pouvez pas utiliser cette
assertion pour regarder en arrière.
Si vous cherchez un ``bar'' qui ne soit pas précédé par ``foo'', /(?!foo)bar/
ne vous donnera pas ce que vous voulez. C'est parce que (?!foo) exige
seulement que ce qui suit ne soit pas ``foo'' -- et ça ne l'est pas puisque
c'est ``bar'', donc ``foobar'' sera accepté. Vous devez alors utilisez quelque
chose comme /(?!foo)...bar/. Nous disons ``comme'' car il se peut que ``bar''
ne soit pas précédé par trois caractères. Vous pouvez alors utiliser
/(?:(?!foo)...|^.{0,2})bar/. Parfois, il est quand même plus simple de
dire :
if (/bar/ && $` !~ /foo$/)
Pour regarder en arrière, voir plus loin.
(?<=motif)/(?<=\t)\w+/ reconnaît un mot qui suit une
tabulation sans inclure cette tabulation dans $&. Cela ne fonctionne
qu'avec un motif de longueur fixe.
(?<!motif)/(?<!bar)foo/ reconnaît toutes les occurrences de
``foo'' qui ne suivent pas ``bar''. Cela ne fonctionne qu'avec un motif de
longueur fixe.
(?{ code })Une assertion de longueur nulle permettant l'évaluation de code
Perl. Elle est reconnue dans tous les cas et le code n'est pas
soumis à interpolation. Actuellement les règles pour déterminer où le
code se termine sont quelque peu compliquées.
Cette fonctionnalité, utilisée conjointement avec la variable spéciale
$^N, permet de mémoriser dans des variables les résultats des
sous-groupes reconnues sans se préoccuper du nombre de parenthèses
imbriquées. Par exemple :
$_ = "The brown fox jumps over the lazy dog";
/the (\S+)(?{ $color = $^N }) (\S+)(?{ $animal = $^N })/i;
print "color = $color, animal = $animal\n";
À l'intérieur du bloc (?{...}), $_ fait référence à la chaîne
sur laquelle s'applique l'expression rationnelle. Vous pouvez aussi
utiliser pos() pour connaître la position actuelle dans cette
chaîne.
Le code a une portée correcte dans le sens où, si il y a un retour
arrière sur l'assertion (voir « Retour arrière »), tous les
changements introduits après la localisation sont annulés. Donc
:
$_ = 'a' x 8;
m<
(?{ $cnt = 0 }) # Initialisation de $cnt.
(
a
(?{
local $cnt = $cnt + 1; # Mise a jour de $cnt,
# (en tenant compte du retour arriere)
})
)*
aaaa
(?{ $res = $cnt }) # En cas de succes, recopie vers une
# variable non local-isee.
>x;
produit $res = 4. Remarquez qu'après la reconnaissance, $cnt
revient à la valeur 0 affectée globalement puisque nous ne sommes plus
dans la portée du bloc où l'appel à local est effectué.
Cette assertion peut être utilisée comme sélecteur:
(?(condition)motif-oui|motif-non). Si elle n'est pas utilisée
comme cela, le résultat de l'évaluation du code est affecté à la
variable spéciale $^R. L'affectation est immédiate donc $^R peut
être utilisée dans une autre assertion de type (?{ code }) à
l'intérieur de la même expression rationnelle.
L'affectation à $^R est correctement localisée, par conséquent l'ancienne valeur de $^R est restaurée en cas de retour arrière (voir « Retour arrière »).
Pour des raisons de sécurité, cette construction n'est pas autorisée
si l'expression rationnelle nécessite une interpolation de variables
lors de l'exécution sauf si vous utilisez le directive use re
'eval' (voir re) ou si la variable contient le résultat de
l'opérateur qr() (voir « qr/STRING/imosx » dans la page de manuel perlop).
Cette restriction est due à l'usage très courant et remarquablement pratique de motifs déterminés lors de l'exécution. Par exemple :
$re = <>;
chomp $re;
$string =~ /$re/;
Avant que Perl sache comment exécuter du code interpolé à l'intérieur
d'un motif, cette opération était complètement sûre d'un point de vue
sécurité bien qu'elle puisse générer une exception si le motif n'est
pas légal. Par contre, si vous activez la directive use re 'eval',
cette construction n'est plus du tout sûre. Vous ne devriez donc le
faire que lorsque vous utilisez la vérification des données (via taint
et l'option -T). Mieux encore, vous pouvez utiliser une évaluation
contrainte dans un compartiement Safe. Voir la page de manuel perlsec pour les
détails à propos de ces mécanismes.
(??{ code })C'est un sous-motif d'expression rationnelle à ``évaluation retardée''. Le
code est évalué lors de l'exécution au moment où le sous-motif est
reconnu. Le résultat de l'évaluation est considéré comme une expression
rationnelle dont on doit tenter la reconnaissance comme si elle remplaçait
la construction.
Le code n'est pas interpolé. Comme précédemment, les règles pour déterminer
l'endroit où se termine le code sont un peu compliquées.
La motif suivant reconnaît des groupes parenthésés :
$re = qr{
\(
(?:
(?> [^()]+ ) # Non-parens without backtracking
|
(??{ $re }) # Group with matching parens
)*
\)
}x;
(?>motif)Une sous-expression ``indépendante''. Reconnaît uniquement la sous-chaîne qui aurait été reconnue si la sous-expression avait été seule et ancrée au même endroit. C'est pratique, par exemple pour optimiser certaines constructions qui risqueraient sinon d'être ``éternelles'', car cette construction n'effectue aucun retour arrière (voir « Retour arrière »). C'est aussi pratique lorsqu'on souhaite le comportement ``prend tout ce que tu peux sans jamais redonner quoique ce soit''.
Par exemple : ^(?>a*)ab ne pourra jamais être reconnu puisque
(?>a*) (ancré au début de la chaîne) reconnaîtra tous les caractères
a du début de la chaîne en ne laissant aucun a pour reconnaître ab.
A contrario, a*ab reconnaîtra la même chose que a+b puisque la
reconnaissance du sous-groupe a* est influencé par le groupe suivant ab
(voir « Retour arrière »). En particulier, a* dans a*ab reconnaît moins
de caractères que a* seul puisque cela permet à la suite d'être reconnue.
Un effet similaire à (?>motif) peut être obtenu en écrivant
(?=(motif))\1. La première partie de l'expression reconnaît la même
sous-chaîne qu'une expression a+ seule et ensuite le \1 mange la
chaîne reconnue et transforme donc l'assertion de longueur nulle en
une expression analogue à (?>...). (La seule différence entre
ces deux expressions est que la dernière utilise un groupe mémorisé et
décale donc le numéro des références arrières dans le reste de
l'expression rationnelle.)
Supposons le motif suivant :
m{ \(
(
[^()]+ # x+
|
\( [^()]* \)
)+
\)
}x
L'exemple précédent reconnaît de manière efficace un groupe non-vide qui
contient au plus deux niveaux de parenthèses. Par contre, si un tel groupe
n'existe pas, cela prendra un temps potentiellement infini sur une longue
chaîne car il existe énormément de manières différentes de découper une chaîne
en sous-chaînes. C'est ce que fait (.+)+ qui est similaire à l'un des
sous-motifs du motif précédent. Rendez-vous compte que l'expression précédente
détecte la non reconnaissance sur ((()aaaaaaaaaaaaaaaaaa en quelques
secondes mais que chaque lettre supplémentaire multiplie ce temps par
deux. Cette augmentation exponentielle du temps d'exécution peut faire croire
que votre programme est planté. Par contre, le même motif très légèrement
modifié :
m{ \(
(
(?> [^()]+ ) # remplacement de x+ par (?> x+ )
|
\( [^()]* \)
)+
\)
}x
en utilisant (?>...), reconnaît exactement la même chose (un
bon exercice serait de le vérifier vous-même) mais se termine en 4
fois moins de temps sur une chaîne similaire contenant 1000000 a.
Attention, ce motif produit actuellement un message d'avertissement
avec -w disant "matches null string many times in regexp"
("reconnaît la chaîne de longueur nulle très souvent dans une
regexp").
Dans des motifs simples comme (?> [^()]+ ), un effet comparable peut
être observé en utilisant le test d'absence en avant comme dans [^()]+ (?!
[^()] ). Ce n'est que 4 fois plus lent sur une chaîne contenant 1000000
a.
La comportement ``prend tout ce que tu peux sans jamais redonner
quoique ce soit'' est utile dans de nombreuses situations où une
première analyse laisse à penser qu'un simple motif ()*
suffit. Supposez que vous voulez analyser un texte avec des
commentaires délimités par # suivi d'éventuels espaces
(horizontaux). Contrairement aux apparences, #[ \t]* n'est pas
le sous-motif correct pour reconnaître le délimiteur de commentaires
parce qu'il peut laisser échapper quelques espaces si la suite du
motif en a besoin pour être reconnue. Le réponse correcte est l'une de
celles qui suivent :
(?>#[ \t]*)
#[ \t]*(?![ \t])
Par exemple, pour obtenir tous les commentaires non vides dans $1, il vous faut utiliser l'une de ces constructions :
/ (?> \# [ \t]* ) ( .+ ) /x;
/ \# [ \t]* ( [^ \t] .* ) /x;
La meilleure des deux est celle qui correspondrait le mieux à la description des commentaires faite par les spécifications.
(?(condition)motif-oui|motif-non)(?(condition)motif-oui)Expression conditionnelle. (condition) est soit un entier entre
parenthèses (qui est vrai si le sous-motif mémorisé correspondant reconnaît
quelque chose), soit une assertion de longueur nulle (test en arrière, en
avant ou évaluation).
Par exemple :
m{ ( \( )?
[^()]+
(?(1) \) )
}x
reconnaît une suite de caractères tous différents des parenthèses éventuellement entourée d'une paire de parenthèses.
NOTE : cette section présente une abstraction approximative du comportement des expressions rationnelles. Pour une vue plus rigoureuse (et compliquée) des règles utilisées pour choisir entre plusieurs reconnaissances possibles, voir « Combinaison d'expressions rationnelles ».
Une particularité fondamentale de la reconnaissance d'expressions rationnelles
est liée à la notion de retour arrière qui est actuellement utilisée (si
nécessaire) par tous les quantificateurs d'expressions rationnelles. À savoir
*, *?, +, +?, {n,m} et {n,m}?. Les retours arrières sont
parfois optimisés en interne mais les principes généraux exposés ici restent
valides.
Pour qu'une expression rationnelle soit reconnue, toute l'expression doit être reconnue, pas seulement une partie. Donc si le début de l'expression rationnelle est reconnue mais de telle sorte qu'elle empêche la reconnaissance de la suite du motif, le moteur de reconnaissance revient en arrière pour calculer autrement le début -- d'où le nom retour arrière.
Voici un exemple de retour arrière. Supposons que vous voulez trouver le mot qui suit ``foo'' dans la chaîne ``Food is on the foo table.'':
$_ = "Food is on the foo table.";
if ( /\b(foo)\s+(\w+)/i ) {
print "$2 suit $1.\n";
}
Lors de la reconnaissance, la première partie de l'expression
rationnelle (\b(foo)) trouve un point d'ancrage dès le début de la
chaîne et stocke ``Foo'' dans $1. Puis le moteur de reconnaissance
s'aperçoit qu'il n'y pas de caractère d'espacement après le ``Foo''
qu'il a stocké dans $1 et, réalisant son erreur, il recommence alors
un caractère plus loin que cette première tentative. Cette fois, il
va jusqu'à la prochaine occurrence de ``foo'', l'ensemble de
l'expression rationnelle est reconnue et vous obtenez comme prévu
``table suit foo.''
Parfois la reconnaissance minimale peut aider. Imaginons que vous souhaitez reconnaître tout ce qu'il y a entre ``foo'' et ``bar''. Tout d'abord, vous écrivez quelque chose comme :
$_ = "The food is under the bar in the barn.";
if ( /foo(.*)bar/ ) {
print "got <$1>\n";
}
qui, de manière inattendue, produit :
got <d is under the bar in the >
C'est parce que .* est gourmand. Vous obtenez donc tout ce qu'il y a
entre le premier ``foo'' et le dernier ``bar''. Dans ce cas, la
reconnaissance minimale est efficace pour vous garantir de reconnaître tout
ce qu'il y a entre un ``foo'' et le premier ``bar'' qui suit.
if ( /foo(.*?)bar/ ) { print "got <$1>\n" }
got <d is under the >
Voici un autre exemple. Supposons que vous voulez reconnaître un nombre à la fin d'une chaîne tout en mémorisant ce qui précède. Vous écrivez donc :
$_ = "I have 2 numbers: 53147";
if ( /(.*)(\d*)/ ) { # Rate!
print "Beginning is <$1>, number is <$2>.\n";
}
Cela ne marche pas parce que .* est gourmand et engloutit toute la
chaîne. Puisque \d* peut reconnaître la chaîne vide, toute
l'expression rationnelle est reconnue.
Beginning is <I have 2 numbers: 53147>, number is <>.
Voici quelques variantes dont la plupart ne marche pas :
$_ = "I have 2 numbers: 53147";
@pats = qw{
(.*)(\d*)
(.*)(\d+)
(.*?)(\d*)
(.*?)(\d+)
(.*)(\d+)$
(.*?)(\d+)$
(.*)\b(\d+)$
(.*\D)(\d+)$
};
for $pat (@pats) {
printf "%-12s ", $pat;
if ( /$pat/ ) {
print "<$1> <$2>\n";
} else {
print "FAIL\n";
}
}
qui affichera :
(.*)(\d*) <I have 2 numbers: 53147> <>
(.*)(\d+) <I have 2 numbers: 5314> <7>
(.*?)(\d*) <> <>
(.*?)(\d+) <I have > <2>
(.*)(\d+)$ <I have 2 numbers: 5314> <7>
(.*?)(\d+)$ <I have 2 numbers: > <53147>
(.*)\b(\d+)$ <I have 2 numbers: > <53147>
(.*\D)(\d+)$ <I have 2 numbers: > <53147>
Comme vous pouvez le constater, c'est un peu délicat. Il faut comprendre qu'une expression rationnelle n'est qu'un ensemble d'assertions donnant une définition du succès. Il peut y avoir aucun, un ou de nombreux moyens de répondre à cette définition lorsqu'on l'applique à une chaîne particulière. Et lorsqu'il y a plusieurs moyens, vous devez comprendre le retour arrière pour savoir quelle variété de succès vous obtiendrez.
Avec l'utilisation des assertions de tests d'absence ou de présence, cela peut devenir carrément épineux. Supposons que vous souhaitez retrouver une suite de caractères non numériques suivie par ``123''. Vous pouvez essayer d'écrire quelque chose comme :
$_ = "ABC123";
if ( /^\D*(?!123)/ ) { # Rate!
print "Heu, pas de 123 dans $_\n";
}
Mais ça ne fonctionne pas... tout du moins pas comme vous l'espériez. Ça affiche qu'il n'y a pas de 123 à la fin de la chaîne. Voici une présentation claire de ce qui est reconnu par ces motifs contrairement à ce qu'on pourrait attendre :
$x = 'ABC123' ;
$y = 'ABC445' ;
print "1: got $1\n" if $x =~ /^(ABC)(?!123)/ ;
print "2: got $1\n" if $y =~ /^(ABC)(?!123)/ ;
print "3: got $1\n" if $x =~ /^(\D*)(?!123)/ ;
print "4: got $1\n" if $y =~ /^(\D*)(?!123)/ ;
Affiche :
2: got ABC
3: got AB
4: got ABC
On aurait pu croire que le test 3 échouerait puisqu'il semble être une
généralisation du test 1. La différence importante entre les deux est
que le test 3 contient un quantificateur (\D*) et peut donc
effectuer des retours arrière alors que le test 1 ne le peut pas. En
fait, ce que demande le test 3 c'est ``en partant du début de $x,
peut-on trouver quelque chose qui n'est pas 123 précédé par 0 ou
plusieurs caractères autres que des chiffres ?''. Si on laisse \D*
reconnaître ``ABC'', cela entraîne l'échec du motif complet.
Le moteur de reconnaissance met tout d'abord en correspondance \D* avec
``ABC''. Puis il essaie de mettre en correspondance (?!123) avec ``123'', ce
qui évidemment échoue. Mais puisque un quantificateur (\D*) est utilisé
dans l'expression rationnelle, le moteur de reconnaissance peut faire des
retours arrière pour tenter une reconnaissance différente afin de reconnaître
l'ensemble de l'expression rationnelle.
Le motif veut vraiment être reconnu, alors il utilise le mécanisme
de retour arrière et limite cette fois l'expansion de \D* juste à
``AB''. Maintenant, il y a réellement quelque chose qui suit ``AB'' et
qui n'est pas ``123 : c'est ''C123``. C'est suffisant pour réussir.
On peut faire la même chose en mixant l'utilisation des assertions de présence et d'absence. Nous dirons alors que la première partie doit être suivie par un chiffre mais doit aussi être suivie par quelque chose qui n'est pas ``123''. Souvenez-vous que les tests en avant sont des assertions de longueur nulle -- ils ne font que regarder mais ne consomment pas de caractères de la chaîne lors de leur reconnaissance. Donc, réécrit comme suit, cela produira le résultat attendu. C'est à dire que le test 5 échouera et le 6 marchera :
print "5: got $1\n" if $x =~ /^(\D*)(?=\d)(?!123)/ ;
print "6: got $1\n" if $y =~ /^(\D*)(?=\d)(?!123)/ ;
6: got ABC
En d'autres termes, cela signifie que les deux assertions de longueur
nulle consécutives doivent être vraies toutes les deux ensembles,
exactement comme quand vous utilisez des assertions prédéfinies :
/^$/ est reconnue uniquement si vous êtes simultanément au début ET
à la fin de la ligne. La réalité sous-jacente est que la
juxtaposition de deux expressions rationnelles signifie toujours un ET
sauf si vous écrivez explicitement un OU en utilisant la barre
verticale. /ab/ signifie reconnaître ``a'' ET (puis) reconnaître
``b'', même si les tentatives de reconnaissance n'ont pas lieu à la même
position puisque ``a'' n'est pas une assertion de longueur nulle (mais
de longueur un).
Avertissement : certaines expressions rationnelles compliquées peuvent prendre un temps exponentiel pour leur résolution à cause du grand nombre de retours arrières effectués pour essayer d'être reconnue. Par exemple, sans les optimisations internes du moteur d'expressions rationnelles, l'expression suivante calculerait très longtemps :
'aaaaaaaaaaaa' =~ /((a{0,5}){0,5})*[c]/
et si vous utilisiez des * au lieu de limiter entre 0 et 5
reconnaissances, elle pourrait alors prendre littéralement un temps
infini -- ou plutôt jusqu'au dépassement de la capacité de la pile. De
plus, ces optimisations ne sont pas toujours applicables. Par exemple,
en remplaçant {0,5} par * dans le groupe externe, plus aucune
optimisation n'a lieu et le calcul devient extrêmement long.
Un outil puissant pour optimiser ce genre de choses est ce qu'on
appelle les ``groupes indépendants'' qui n'effectuent pas de retour
arrière (voir (?>motif)). Remarquez aussi que les
assertions de longueur nulle n'effectuent pas de retour arrière
puisqu'elles sont considérées dans un contexte ``logique'' : seul
importe qu'elles soient reconnaissables ou non. Pour un exemple de
l'influence éventuelle sur la reconnaissance voir (?>motif).
Si vous n'êtes pas familier avec la version 8 des expressions rationnelles, vous trouverez ici les règles de reconnaissance de motifs qui n'ont pas été décrites plus haut.
Un caractère se reconnaît lui-même sauf si c'est un méta-caractère
avec un sens spécial décrit ici ou précédemment. Pour interpréter un
méta-caractère littéralement, il faut le préfixer par un ``\'' (c.-à-d.,
``\.'' reconnaît un ``.'' au lieu de n'importe quel caractère, ``\\''
reconnaît ``\''). Une suite de caractères reconnaît cette suite de
caractères dans la chaîne à analyser. Le motif blurfl reconnaîtra
donc ``blurfl'' dans la chaîne à analyser.
Vous pouvez spécifier une classe de caractères en entourant une liste
de caractères entre []. Cette classe reconnaîtra l'un des
caractères de la liste. Si le premier caractère après le ``['' est ``^'',
la classe reconnaîtra un caractère qui n'est pas dans la liste. À
l'intérieur d'une liste, la caractère ``-'' sert à décrire un
intervalle. Par exemple a-z représente tous les caractères entre
``a'' et ``z'' inclus. Si vous voulez inclure dans la classe le caractère
``-'' ou ``]'' lui-même, mettez le au début de la classe (après un
éventuel ``^'') ou préfixez le par un ``\''. ``-'' est aussi interprété
littéralement si il est placé en fin de classe, juste avant le
``]''. (Les exemples suivants décrivent tous la même classe de trois
caractères: [-az], [az-], [a\-z]. Ils sont tous différents de
[a-z] qui décrit une classe contenant 26 caractères.) Notez aussi
que si vous essayez d'utiliser \w, \W, \s, \S, \d ou
\D comme borne d'un intervalle, ce ne sera pas un intervalle et le
``-'' sera interprété littéralement.
Remarquez aussi que le concept d'intervalle de caractères n'est pas vraiment portable entre différents codages -- et même dans un même codage, cela peut produire un résultat que vous n'attendez pas. Un bon principe de base est de n'utiliser que des intervalles qui commencent et se terminent dans le même alphabet ([a-e], [A-E]) ou dans les chiffres ([0-9]). Tout le reste n'est pas sûr. Dans le doute, énumérez l'ensemble des caractères explicitement.
Certains caractères peuvent être spécifiés avec la syntaxe des
méta-caractères comme en C : ``\n'' reconnaît le caractère nouvelle
ligne, ``\t'' reconnaît une tabulation, ``\r'' reconnaît un retour
chariot, ``\f'' reconnaît un changement de page, etc. Plus généralement,
\nnn, où nnn est une suite de chiffres octaux, reconnaît le
caractère dont le code ASCII est nnn. De même, \xnn, où nn
est une suite de chiffres hexadécimaux, reconnaît le caractère dont le
code ASCII est nn. L'expression \cx reconnaît le caractère ASCII
control-x. Pour terminer, le méta-caractère ``.'' reconnaît n'importe
quel caractère sauf ``\n'' (à moins d'utiliser /s).
Vous pouvez décrire une série de choix dans un motif en les séparant
par des ``|''. Donc fee|fie|foe reconnaîtra n'importe quel ``fee'',
``fie'' ou ``foe'' dans la chaîne à analyser (comme le ferait
f(e|i|o)e). Le premier choix inclut tout ce qui suit le précédent
délimiteur de motif (``('', ``['' ou le début du motif) jusqu'au premier
``|'' et le dernier choix inclut tout ce qui suit le dernier ``|''
jusqu'au prochain délimiteur de motif. C'est pour cette raison qu'il
est courant d'entourer les choix entre parenthèses pour minimiser les
risques de mauvaises interprétation de début et de fin.
Les différents choix sont essayés de la gauche vers la droite et le
premier choix qui autorise la reconnaissance de l'ensemble du motif
est retenu. Ce qui signifie que les choix ne sont pas obligatoirement
``gourmand''. Par exemple: en appliquant foo|foot à ``barefoot'', seule
la partie ``foo'' est reconnue puisque c'est le premier choix essayé et
qu'il permet la reconnaissance du motif complet. (Cela peu sembler
anodin mais ne l'est pas lorsque vous mémorisez du texte grâce aux
parenthèses.)
Souvenez-vous aussi que ``|'' est interprété littéralement lorsqu'il est
présent dans une classe de caractères. Donc si vous écrivez
[fee|fie|foe], vous recherchez en fait [feio|].
À l'intérieur d'un motif, vous pouvez mémoriser ce que reconnaît un
sous-motif en l'entourant de parenthèses. Plus loin dans le motif,
vous pouvez faire référence au n-ième sous-motif mémorisé en
utilisant le méta-caractère \n. Les sous-motifs sont numérotés de
droite à gauche dans l'ordre de leurs parenthèses ouvrantes. Une
référence reconnaît exactement la chaîne actuellement reconnue par le
sous-motif correspondant et non pas n'importe quelle chaîne qu'il
aurait pu reconnaître. Par conséquent, (0|0x)\d*\s\1\d* reconnaîtra
``0x1234 0x4321'' mais pas ``0x1234 01234'' car, même si (0|0x) peut
reconnaître le 0 dans le second nombre, ce sous-motif reconnaît dans
ce cas ``0x''.
Quelques personnes ont l'habitude d'écrire des choses comme :
$pattern =~ s/(\W)/\\\1/g;
Dans la partie droite d'une substitution, ce sont des vieilleries pour ne pas
choquer les fanas de sed mais ce sont de mauvaises habitudes. Parce que du
point du vue Perl, la partie droite d'un s/// est considérée comme une
chaîne entre guillemets. \1 dans une chaîne entre guillemets signifie
normalement control-A. Le sens Unix habituel de \1 n'est repris que dans
s///. Par contre, si vous prenez cette mauvaise habitude, vous serez très
perturbé si vous ajoutez le modificateur /e :
s/(\d+)/ \1 + 1 /eg; # provoque un "warning" avec -w
ou si vous essayez :
s/(\d+)/\1000/;
Vous ne pouvez lever l'ambiguïté en écrivant \{1}000 alors que
c'est possible grâce à ${1}000. En fait, il ne faut pas confondre
l'opération d'interpolation et l'opération de reconnaissance d'une
référence. Ce sont deux choses bien différents dans la partie
gauche de s///.
AVERTISSEMENT: ce qui suit est difficile. Cette section nécessiterait une réécriture.
Les expressions rationnelles fournissent un langage de programmation concis et puissant. Comme avec la plupart des autres outils puissants, ce pouvoir peut faire des ravages.
Un ``abus de pouvoir'' fréquent découle de la possibilité de créer des boucles sans fin avec des expressions rationnelles aussi innocentes que :
'foo' =~ m{ ( o? )* }x;
o? peut être reconnu au début de 'foo' et, puisque la position dans
la chaîne n'est pas modifiée par la reconnaissance, o? sera reconnu
indéfiniment à cause du modificateur *. L'utilisation du modificateur
//g est un autre moyen courant d'obtenir de telle cycle :
@matches = ( 'foo' =~ m{ o? }xg );
ou
print "match: <$&>\n" while 'foo' =~ m{ o? }xg;
ou encore dans la boucle implicte de split().
En revanche, on sait depuis longtemps que de nombreuses tâches de programmation peuvent vraiment se simplifier grâce à la reconnaissance répétée de sous-expressions éventuellement de longueur nulle. En voici un exemple simple:
@chars = split //, $string; # // n'est pas magique pour split
($whitewashed = $string) =~ s/()/ /g; # les parentheses supprime la magie de s// /
Donc Perl autorise la construction /()/ qui rompt de force la boucle
infinie. Les règles pour les boucles de bas niveau obtenues par les
modificateurs gourmands *+{} sont différentes de celles de haut niveau
induites par exemples par /g ou par l'opérateur split().
Les boucles de bas niveau sont interrompues lorsqu'on détecte la répétition d'une expression reconnaissant une sous-chaîne de longueur nulle. Donc
m{ (?: LONGUEUR_NON_NULLE| LONGUEUR_NULLE| )* }x;
est en fait équivalent à
m{ (?: LONGUEUR_NON_NULLE| )*
|
(?: LONGUEUR_NULLE| )?
}x;
Les boucles de haut niveau se souviennent entre les itérations que la dernière chaîne reconnue était de longueur nulle. Pour briser la boucle infinie, une chaîne reconnue ne peut pas être de longueur nulle si elle l'était la fois précédente. Cette interdiction interfère avec le retour arrière (voir « Retour arrière ») et dans ce cas, la seconde meilleure chaîne est choisie si la meilleure est de longueur nulle.
Par exemple :
$_ = 'bar';
s/\w??/<$&>/g;
produit <><b><><a><><r><>. À chaque position dans la chaîne, la
meilleur chaîne reconnue par le sobre ?? est la chaîne de longueur nulle et
la seconde meilleure chaîne est celle reconnue par \w. Donc les
reconnaissances de longueur nulle alternent avec celles d'un caractère de
long.
De manière similaire, pour des m/()/g répétés, la seconde meilleure
reconnaissance est un cran plus loin dans la chaîne.
La mémorisation de l'état précédente reconnaissance de longueur nulle est
liée à chaque chaîne explorée. De plus, elle est réinitialisée à chaque
affectation de pos(). Les reconnaissances de longueur nulle à la fin de la
précédente reconnaissance sont ignorées durant un split.
Dans une expression rationnelle, chaque composant élémentaire tel que décrit
précédemment (comme ab ou \Z) peut reconnaître au plus une sous-chaîne à
une position donnée de la chaîne examinée. Par contre, dans une expression
rationnelle typique, ces composants élémentaires sont combinés entre eux pour
faire des expressions rationnelles plus complexes en utilisant les opérateurs
de combinaison ST, S|T, S*, etc. (dans ces exemples S et T sont
des expressions rationnelles).
De telles combinaisons peuvent inclure des alternatives, amenant ainsi à un
problème de choix : lorsqu'on applique l'expression rationnelle a|ab à
la chaîne "abc", est-ce "a" ou "ab" qui est reconnu ? Un moyen de
décrire le choix effectué passe par le concept de retour arrière (voir
« Retour arrière »). Par contre, cette description est de trop bas niveau et
vous amène à penser en termes d'une implémentation particulière.
Une autre manière de décrire les choses commence par les notions de ``meilleur''/``pire''. Toutes les sous-chaînes qui peuvent être reconnues par une expression rationnelle sont triées de la ``meilleure'' à la ``pire'' et c'est la meilleure qui est choisie. Cela remplace la question ``Qu'est-ce qui est choisi ?'' par la question ``Quelle la meilleure reconnaissance et quelle est la pire ?''.
Pour la plupart des expressions élémentaires, la question ne se pose
pas puisqu'au plus une sous-chaîne peut être reconnue à un emplacement
donné. Cette section décrit la notion de meilleure/pire pour les
opérateurs de combinaison. Dans les descriptions ci-dessous, S et
T désignent des sous-expressions rationnelles.
STAB et A'B'. A et A' sont
deux sous-chaînes qui peuvent être reconnues par S. B et B' sont deux
sous-chaînes qui peuvent être reconnues par T.
Si A est une meilleure correspondance pour S que A' alors AB est
une meilleure correspondance pour ST que A'B'.
Si A et A' sont similaires alors AB est une meilleure correspondance
pour ST que A'B' si B est une meilleure correspondance pour T que
B'.
S|TS peut être reconnu, c'est une meilleure correspondance qui si seul
T peut correspondre.
L'ordre entre deux correspondances pour S est le même que pour S
seul. Et c'est la même chose pour deux correspondances pour T.
S{COMPTEUR}SSS...S (répété autant que nécessaire).
S{min,max}S{max}|S{max-1}|...|S{min+1}|S{min}.
S?, S*, S+S{0,1}, S{0,INFINI} et S{1,INFINI} respectivement.
S??, S*?, S+?S{0,1}?, S{0,INFINI}? et S{1,INFINI}?
respectivement.
(?>S)S et uniquement
celle-là.
(?=S), (?<=S)S ets utilisé. (Cela n'a
d'importance que si S est mémorisé et utilisé ensuite via une
référence arrière)
(?!S), (?<!S)S est ou non reconnu.
(??{ EXPR })(?(condition)motif-oui|motif-non)motif-oui
et motif-non) est déjà fait. L'ordre des reconnaissances est le
même que celui du motif retenu.
Les principes précédents décrivent l'ordre des reconnaissances à une position donnée. Une règle supplémentaire est nécessaire pour comprendre comment est déterminée la reconnaissance pour une expression rationnelle complète : une reconnaissance à une position donnée est toujours meilleure qu'une reconnaissance à une position plus lointaine.
La surcharge de constantes (voir overload) est un moyen simple d'augmenter les fonctionnalités du moteur RE (le moteur de reconnaissance d'expressions rationnelles).
Imaginons que vous voulez définir une nouvelle séquence \Y| qui
peut être reconnue à la limite entre un espace et un autre
caractère. Remarquez que (?=\S)(?<!\S)|(?!\S)(?<=\S)
reconnaît exactement ce qu'on veut mais nous voulons remplacer cette
expression compliquée par \Y|. Pour ce faire, nous pouvons créer un
module customre :
package customre;
use overload;
sub import {
shift;
die "No argument to customre::import allowed" if @_;
overload::constant 'qr' => \&convert;
}
sub invalid { die "/$_[0]/: invalid escape '\\$_[1]'"}
my %rules = ( '\\' => '\\',
'Y|' => qr/(?=\S)(?<!\S)|(?!\S)(?<=\S)/ );
sub convert {
my $re = shift;
$re =~ s{
\\ ( \\ | Y . )
}
{ $rules{$1} or invalid($re,$1) }sgex;
return $re;
}
Il vous suffit alors d'utiliser use customre pour utiliser cette
nouvelle séquence dans les expressions rationnelles constantes,
c.-à-d. celles qui ne nécessitent pas d'interpolation de variables
lors de l'exécution. Telle que documentée dans overload, cette
conversion ne fonctionne que sur les parties littérales des
expressions rationnelles. Dans \Y|$re\Y|, la partie variable de
cette expression rationnelle doit être convertie explicitement (mais
uniquement si la signification spécifique de \Y| est nécessaire
dans $re) :
use customre;
$re = <>;
chomp $re;
$re = customre::convert $re;
/\Y|$re\Y|/;
Le niveau de difficuté de ce document varie de ``difficile à comprendre'' jusqu'à ``totalement opaque''. La prose divaguante et criblée de jargon est difficile à interpréter en divers endroits.
« Opérateurs d'expression rationnelle » dans la page de manuel perlop.
« Les détails sordides de l'interprétation des chaînes » dans la page de manuel perlop.
pos dans la page de manuel perlfunc.
perlebcdic.
Mastering Regular Expressions par Jeffrey Friedl, publié chez O'Reilly and Associates.
Cette traduction française correspond à la version anglaise distribuée avec perl 5.8.8. Pour en savoir plus concernant ces traductions, consultez http://perl.enstimac.fr/.
Traduction initiale et mise à jour 5.6.0, 5.6.1 et 5.8.8 par Paul Gaborit <Paul.Gaborit @ enstimac.fr>.
Régis Julié <Regis.Julie@cetelem.fr>.