17. Expressions rationnelles

Un ensemble de caractères. Ces caractères conservent leur signification littérale. Le type le plus simple d'expression rationnelle consiste en seulement un ensemble de caractères, sans métacaractères.

Une ancre. Elles désignent la position dans la ligne de texte à laquelle doit correspondre l'ER. Par exemple, ^ et $ sont des ancres.

Modificateurs. Ils étendent ou réduisent l'ensemble de texte auquel l'ER doit correspondre. Les modificateurs incluent l'astérisque, les crochets et l'antislash.

L'astérisque -- * -- correspond à toute répétition de caractères d'une chaîne ou d'une ER la précédant, incluant zéro caractère.

« 1133* » correspond à 11 + un ou plus de 3 : 113, 1133, 1133333 et ainsi de suite.

Le point -- . -- correspond à un seul caractère, sauf le retour à la ligne. ^[70]

« 13. » correspond à 13 + au moins un caractère (incluant une espace): 1133, 11333 mais pas 13 (un caractère supplémentaire manquant).

La puissance -- ^ -- correspond au début d'une ligne mais, quelque fois, suivant le contexte, inverse la signification d'un ensemble de caractères dans une ER.

Le signe dollar, $, à la fin d'une ER correspond à la fin d'une ligne.

« XXX$ » correspond à XXX à la fin d'une ligne.

« ^$ » correspond à des lignes blanches.

Les crochets -- [...] -- englobent un ensemble de caractères pour réaliser une correspondance dans une seule ER.

« [xyz] » correspond aux caractères x, y ou z.

« [c-n] » correspond à tout caractère compris entre c et n.

« [B-Pk-y] » correspond à tout caractère compris entre B et P et entre k et y.

« [a-z0-9] » correspond à toute lettre en minuscule et à tout chiffre.

« [^b-d] » correspond à tous les caractères sauf ceux compris entre b et d. Ceci est un exemple de l'inversion de la signification de l' ER suivante grâce à l'opérateur ^ (prenant le même rôle que ! dans un contexte différent).

Les séquences combinées de caractères entre crochets correspondent à des modèles de mots communs. « [Yy][Ee][Ss] » correspond à yes, Yes, YES, yEs et ainsi de suite. « [0-9][0-9][0-9]-[0-9][0-9]-[0-9][0-9][0-9][0-9] » correspond à tout numéro de sécurité sociale (NdT : du pays d'origine de l'auteur).

L'antislash -- \ -- échappe un caractère spécial, ce qui signifie que le caractère est interprété littéralement.

Un « \$ » renvoie la signification littérale de « $ » plutôt que sa signification ER de fin de ligne. De même un « \\ » a la signification littérale de « \ ».

Les signes « inférieur et supérieur » échappés -- \<...\> -- indiquent les limites du mot.

Ces signes doivent être échappés, sinon ils n'ont que leur signification littérale.

« \<le\> » correspond au mot « le » mais pas aux mots « les », « leur », « belle », etc.

bash$ cat fichiertexte
This is line 1, of which there is only one instance.
This is the only instance of line 2.
This is line 3, another line.
This is line 4.


bash$ grep 'the' fichiertexte
This is line 1, of which there is only one instance.
This is the only instance of line 2.
This is line 3, another line.


bash$ grep '\<the\>' fichiertexte
This is the only instance of line 2.
              

ER étendues. Des méta-caractères supplémentaires ajoutés à l'ensemble de caractères. Utilisées dans egrep, awk et Perl.

Le point d'interrogation -- ? -- correspond à aucune ou une instance de la précédente ER. Il est généralement utilisé pour correspondre à des caractères uniques.

Le signe plus -- + -- correspond à un ou plus de la précédente ER. Il joue un rôle similaire à *, mais ne correspond pas à zéro occurrence.

# Les versions GNU de sed et awk peuvent utiliser "+",
# mais il a besoin d'être échappé.

echo a111b | sed -ne '/a1\+b/p'
echo a111b | grep 'a1\+b'
echo a111b | gawk '/a1+b/'
# Tous sont équivalents.

# Merci, S.C.

Les « accolades » échappées -- \{ \} -- indiquent le nombre d'occurrences à filtrer par une précédente ER.

Il est nécessaire d'échapper les accolades car, sinon, elles ont leur signification littérale. Cette usage ne fait techniquement pas partie de l'ensemble des ER de base.

« [0-9]\{5\} » correspond exactement à cinq entiers (caractères entre 0 et 9).

Note

Les accolades ne sont pas disponibles comme ER dans la version « classique » (non conforme à POSIX) de awk. Néanmoins, gawk dispose de l'option --re-interval qui les autorise (sans être échappés).

bash$ echo 2222 | gawk --re-interval '/2{3}/'
2222
              

Perl et quelques versions de egrep ne nécessitent pas les accolades échappées.

Les parenthèses -- ( ) -- délimitent des groupes d'ER. Elles sont utiles avec l'opérateur « | » et lors de l'extraction de sous-chaînes en utilisant expr.

L'opérateur d'ER « ou » -- | -- correspond à n'importe lequel d'un ensemble de caractères constituant l'alternative.

bash$ egrep 're(a|e)d' misc.txt
People who read seem to be better informed than those who do not.
 The clarinet produces sound by the vibration of its reed.
              

Classes de caractères POSIX. [:class:]

Ceci est une autre façon de spécifier un intervalle de caractères à filtrer.

[:alnum:] correspond aux caractères alphabétiques et numériques. Ceci est équivalent à A-Za-z0-9.

[:alpha:] correspond aux caractères alphabétiques. Ceci est équivalent à A-Za-z.

[:blank:] correspond à une espace ou à une tabulation.

[:cntrl:] correspond aux caractères de contrôle.

[:digit:] correspond aux chiffres (décimaux). Ceci est équivalent à 0-9.

[:graph:] (caractères graphiques affichables). Correspond aux caractères compris entre ASCII 33 - 126. Ceci est identique à [:print:], ci-dessous, mais exclut le caractère espace.

[:lower:] correspond aux caractères alphabétiques minuscules. Ceci est équivalent à a-z.

[:print:] (caractères imprimables). Correspond aux caractères compris entre ASCII 32 - 126. C'est identique à [:graph:], ci-dessus, mais en ajoutant le caractère espace.

[:space:] correspond à toute espace blanche (espace et tabulation horizontale).

[:upper:] correspond à tout caractère alphabétique majuscule. Ceci est équivalent à A-Z.

[:xdigit:] correspond aux chiffres hexadécimaux. Ceci est équivalent à 0-9A-Fa-f.

Important

Les classes de caractères POSIX nécessitent généralement d'être protégées ou entre doubles crochets ([[ ]]).

bash$ grep [[:digit:]] fichier.test
abc=723
              

Ces classes de caractères pourraient même être utilisées avec le remplacement, jusqu'à un certain point.

bash$ ls -l ?[[:digit:]][[:digit:]]?
-rw-rw-r--    1 bozo  bozo         0 Aug 21 14:47 a33b
              

Pour voir les classes de caractères POSIX utilisées dans des script, référez-vous à l'Exemple 15.19, « toupper : Transforme un fichier en majuscule. » et l'Exemple 15.20, « lowercase : Change tous les noms de fichier du répertoire courant en minuscule. ».