103.7 Leçon 1

Il existe un autre type d’atome appelé expression entre crochets. Même s’ils ne constituent pas un seul caractère, les crochets [] (avec leur contenu) sont considérés comme un seul atome. Une expression entre crochets n’est généralement qu’une liste de caractères littéraux entourés de [], ce qui permet à l’atome de correspondre à n’importe quel caractère de la liste. Par exemple, l’expression [1b] peut être trouvée dans les deux chaînes abcd et a1cd. Pour spécifier les caractères auxquels l’atome ne doit pas correspondre, la liste doit commencer par ^, comme dans [^1b]. Il est également possible de spécifier des plages de caractères dans des expressions entre crochets. Par exemple, [0-9] correspond aux chiffres de 0 à 9 et [a-z] à toute lettre minuscule. Les plages doivent être utilisées avec précaution, car elles peuvent ne pas être cohérentes selon les différents paramètres régionaux.

Les listes d’expressions entre crochets acceptent également des classes en remplacement des caractères simples et des plages de caractères. Voici les classes de caractères traditionnelles :

Les classes de caractères peuvent être combinées avec des caractères simples et des plages. En revanche, elles ne peuvent pas être utilisées comme élément final d’une plage. Par ailleurs, les classes de caractères ne peuvent être utilisées que dans des expressions entre crochets, et non en tant qu’atome indépendant en dehors des crochets.

La portée d’un atome, qu’il s’agisse d’un atome à un seul caractère ou d’un atome entre crochets, peut être ajustée par le biais d’un quantificateur atomique. Les quantificateurs atomiques définissent des séquences d’atomes, c’est-à-dire que les correspondances ont lieu lorsqu’une répétition contiguë de l’atome a été trouvée dans la chaîne de caractères. La sous-chaîne de caractères associée à la correspondance est appelée une pièce. Cela dit, les quantificateurs et d’autres fonctionnalités des expressions régulières sont traités différemment en fonction de la norme utilisée.

D’après la norme POSIX, il existe deux formes d’expressions régulières : les expressions régulières "basiques" et "étendues". La plupart des programmes de traitement de texte installés dans une distribution Linux conventionnelle prennent en charge les deux formes. Il est donc important de connaître leurs différences afin d’éviter les problèmes de compatibilité et de choisir l’implémentation la plus adaptée à la tâche envisagée.

Le quantificateur * a la même fonction dans les expressions régulières basiques et étendues (l’atome apparaît zéro fois ou plus) et c’est un caractère littéral s’il apparaît au début de l’expression régulière ou s’il est précédé d’une barre oblique inverse \. Le quantificateur plus ` sélectionnera les éléments contenant une ou plusieurs correspondances d'atomes dans l'ordre. Avec le quantificateur point d'interrogation `?`, une correspondance sera obtenue si l'atome correspondant apparaît une fois ou pas du tout. S'ils sont précédés d'une barre oblique inverse `\`, leur signification particulière n'est pas prise en compte. Les expressions régulières basiques supportent également les quantificateurs ` et ?, mais ils doivent être précédés d’une barre oblique inverse. Contrairement aux expressions régulières étendues, + et ? sont des caractères littéraux dans les expressions régulières basiques.

Une limite est un quantificateur atomique qui, comme son nom l’indique, permet à l’utilisateur de spécifier des limites quantitatives précises pour un atome. Dans les expressions régulières étendues, une limite peut apparaître sous trois formes :

Dans tous les cas, si une sous-chaîne correspond à une expression régulière et qu’une sous-chaîne plus longue et qui commence au même endroit correspond également, la sous-chaîne la plus longue sera prise en compte.

Les expressions régulières basiques autorisent également les limites, mais les délimiteurs doivent être précédés de \ : \{ et \}. En eux-mêmes, { et } sont interprétés comme des caractères littéraux. Un \{ suivi d’un caractère autre qu’un chiffre est un caractère littéral, et non pas le début d’une délimitation.

Les expressions régulières basiques se distinguent également des expressions régulières étendues par un autre aspect important : une expression régulière étendue peut être subdivisée en branches, chacune d’entre elles étant une expression régulière indépendante. Les branches sont séparées par des | et l’expression régulière combinée s’appliquera à tout ce qui correspond à l’une des branches. Par exemple, he|him s’appliquera si les sous-chaînes he ou him figurent dans la chaîne de caractères analysée. Les expressions régulières basiques interprètent | comme un caractère littéral. En revanche, la plupart des programmes prenant en charge les expressions régulières basiques autorisent les branches avec \|.

Une expression régulière étendue entourée de () peut être utilisée dans un renvoi vers une référence. Par exemple, ([[:digit:]])\1 correspondra à toute expression régulière qui se répète au moins une fois, parce que le \1 dans l’expression est le renvoi vers la pièce correspondant à la première sous-expression entre parenthèses. Si plusieurs sous-expressions entre parenthèses existent dans l’expression régulière, elles pourront être référencées par \2, \3 et ainsi de suite.

Pour les regex basiques, les sous-expressions doivent être entourées de \( et \), les ( et ) étant eux-mêmes des caractères ordinaires. L’indicateur de renvoi est utilisé comme dans les expressions régulières étendues.

L’avantage le plus immédiat des expressions régulières consiste à améliorer les recherches dans les systèmes de fichiers et dans les documents texte. L’option -regex de la commande find permet de tester chaque chemin dans une hiérarchie de répertoires en fonction d’une expression régulière. Par exemple,

recherche les fichiers de plus de 100 mégaoctets (100 unités de 1048576 octets), mais uniquement dans les chemins du répertoire personnel de l’utilisateur qui contiennent une correspondance avec .*/\..*, c’est-à-dire un /. entouré de n’importe quel autre nombre de caractères. En d’autres termes, seuls les fichiers cachés ou les fichiers situés dans des répertoires cachés seront affichés, quelle que soit la position de /. dans le chemin d’accès correspondant. Pour des expressions régulières insensibles à la casse, l’option -iregex devra être utilisée à la place :

Dans cet exemple, l’expression régulière contient des branches (écrites dans le style étendu) pour afficher certains fichiers de polices dans l’arborescence /usr/share/fonts. Les expressions régulières étendues ne sont pas supportées par défaut, mais find permet de les activer avec -regextype posix-extended ou -regextype egrep. Le standard regex par défaut pour find est findutils-default, qui est virtuellement un clone d’expression régulière basique.

Il est souvent nécessaire de transmettre le résultat d’un programme à la commande less lorsqu’il ne tient pas sur l’écran. La commande less fractionne son entrée en pages, une page d’écran à la fois, ce qui permet à l’utilisateur de naviguer facilement dans le texte vers le haut et vers le bas. De plus, less permet à l’utilisateur d’effectuer des recherches basées sur les expressions régulières. Cette fonctionnalité est particulièrement importante car less est le paginateur par défaut utilisé pour de nombreuses tâches quotidiennes, comme l’inspection d’entrées de journal ou la consultation de pages de manuel. Lors de la lecture d’une page de manuel, par exemple, la touche / ouvre une invite de recherche. Il s’agit d’un scénario typique dans lequel les expressions régulières sont utiles, car les options de commande sont affichées juste après une marge dans la mise en page générale du manuel. Cependant, la même option peut apparaître plusieurs fois dans le texte, ce qui rend les recherches littérales impossibles. Quoi qu’il en soit, en tapant ^[[:blank:]]*-o — ou plus simplement : ^ *-o — à l’invite de recherche, on passe immédiatement à la section de l’option -o (si elle existe) après avoir appuyé sur Entrée, ce qui permet de consulter plus rapidement la description d’une option.