9.7. Correspondance de motif
PostgreSQL™ fournit trois
approches différentes à la correspondance de motif : l'opérateur
SQL traditionnel LIKE, le plus récent SIMILAR
TO (ajouté dans SQL:1999) et
les expressions rationnelles de type POSIX. De plus, une fonction de correspondance de
motif, substring, est disponible, qui
utilise le style SIMILAR TO ou le style
POSIX des expressions rationnelles.
![[Astuce]](images/tip.png)
Astuce
Si des correspondances de motif qui vont au delà sont
nécessaires, il faudra considérer l'écriture d'une fonction en
Perl ou Tcl.
chaîne LIKE motif [ESCAPE caractère d'échappement]
chaîne NOT LIKE motif [ESCAPE caractère d'échappement]
Chaque
motif
définit un
ensemble de chaînes. L'expression LIKE
renvoie true si la
chaîne
est
contenue dans l'ensemble de chaînes représenté par le
motif
. (L'expression NOT LIKE renvoie false si LIKE renvoie true et vice versa. Une expression
équivalente est NOT (
chaîne
LIKE
motif
)).
Si le
motif
ne contient ni
signe pourcent ni tiret bas, alors il ne représente que la chaîne
elle-même ; dans ce cas, LIKE agit
exactement comme l'opérateur d'égalité. Un tiret bas (_) dans
motif
correspond à un seul caractère, un signe pourcent (%) à toutes les chaînes de zéro ou plusieurs
caractères.
Quelques exemples :
'abc' LIKE 'abc' true
'abc' LIKE 'a%' true
'abc' LIKE '_b_' true
'abc' LIKE 'c' false
Le modèle LIKE correspond toujours à la
chaîne entière. Pour faire correspondre une séquence à l'intérieur
d'une chaîne, le motif doit donc commencer et finir avec un signe
pourcent.
Pour faire correspondre un vrai tiret bas ou un vrai signe de
pourcentage sans qu'ils remplacent d'autres caractères, le
caractère correspondant dans
motif
doit être précédé du caractère
d'échappement. Par défaut, il s'agit de l'antislash, mais un autre
caractère peut être sélectionné en utilisant la clause ESCAPE. Pour un correspondance avec le caractère
d'échappement lui-même, on écrit deux fois ce caractère.
L'antislash a déjà une signification particulière dans les chaînes
littérales. De ce fait, pour écrire un motif qui contient un
antislash il faut écrire deux antislashs dans l'instruction SQL (en
supposant que la syntaxe d'échappement de chaînes soit utilisée).
Donc, pour écrire un motif qui corresponde effectivement à un
antislash littéral nécessite l'écriture de quatre antislash dans
l'instruction. Tout cela peut être évité en sélectionnant un autre
caractère d'échappement avec ESCAPE ; un
antislash n'est alors plus spécial au regard de LIKE (mais il est toujours spécial pour l'analyseur
de chaînes littérales, et nécessite toujours d'être doublé).
Il est aussi possible de ne sélectionner aucun caractère
d'échappement en écrivant ESCAPE ''. Ceci
désactive complètement le mécanisme d'échappement, ce qui rend
impossible la désactivation de la signification particulière du
tiret bas et du signe de pourcentage dans le motif.
Le mot clé ILIKE est utilisé à la place
de LIKE pour faire des correspondances
sans tenir compte de la casse mais en tenant compte de la locale
active. Ceci ne fait pas partie du standard SQL mais est une extension PostgreSQL™.
L'opérateur ~~ est équivalent à LIKE alors que ~~*
correspond à ILIKE. Il existe aussi les
opérateurs !~~ et !~~* représentant respectivement NOT LIKE et NOT ILIKE.
Tous ces opérateurs sont spécifiques à PostgreSQL™.
9.7.2. Expressions rationnelles SIMILAR TO
chaîne SIMILAR TO motif [ESCAPE caractère d'échappement]
chaîne NOT SIMILAR TO motif [ESCAPE caractère d'échappement]
L'opérateur SIMILAR TO renvoie true ou
false selon que le motif correspond ou non à la chaîne donnée. Il
est assez similaire à LIKE à la
différence qu'il interprète le motif en utilisant la définition SQL
d'une expression rationnelle. Les expressions rationnelles SQL sont
un curieux mélange de la notation LIKE et
de la notation habituelle des expressions rationnelles.
À l'instar de LIKE, l'opérateur
SIMILAR TO ne réussit que si son motif
correspond à la chaîne entière ; ceci ne ressemble pas aux
pratiques habituelles des expressions rationnelles où le modèle
peut se situer n'importe où dans la chaîne. Ainsi comme LIKE, SIMILAR TO utilise
_ et % comme
caractères joker dénotant respectivement tout caractère unique et
toute chaîne (ils sont comparables à . et
.* des expressions rationnelles
compatibles POSIX).
En plus de ces fonctionnalités empruntées à LIKE, SIMILAR TO supporte
trois méta-caractères de correspondance de motif empruntés aux
expressions rationnelles de POSIX :
-
| dénote une alternative (une des
deux alternatives) ;
-
* dénote la répétition des éléments
précédents, 0 ou plusieurs fois ;
-
+ dénote la répétition des éléments
précédents, une ou plusieurs fois ;
-
les parenthèses () peuvent être
utilisées pour grouper des éléments en un seul élément
logique ;
-
une expression entre crochets [...]
spécifie une classe de caractères, comme dans les expressions
rationnelles POSIX.
Les répétitions encadrées (? et {...}) ne sont pas permises bien qu'elles existent
en POSIX. De même, le point (.) n'est pas
un méta-caractère.
Comme avec LIKE, un antislash désactive
la signification spéciale de tous les méta-caractères ; un autre
caractère d'échappement peut être spécifié avec ESCAPE.
Quelques exemples :
'abc' SIMILAR TO 'abc' true
'abc' SIMILAR TO 'a' false
'abc' SIMILAR TO '%(b|d)%' true
'abc' SIMILAR TO '(b|c)%' false
La fonction substring avec trois
paramètres, substring(
chaîne
, from
motif
, for
caractère d'échappement
), fournit
l'extraction d'une sous-chaîne correspondant à un motif
d'expression rationnelle SQL. Comme avec SIMILAR TO, le motif fourni doit correspondre à la
chaîne de données entière, sinon la fonction échoue et renvoie
NULL. Pour indiquer la partie du motif à retourner en cas de
succès, le motif doit contenir deux occurrences du caractère
d'échappement suivi d'un guillemet double ("). Le texte correspondant à la portion du motif
entre ces deux marqueurs est renvoyé.
Quelques exemples :
substring('foobar' from '%#"o_b#"%' for '#')
oob
substring('foobar' from '#"o_b#"%' for '#')
NULL
9.7.3. Expressions rationnelles POSIX
Le
Tableau 9.11, « Opérateurs de correspondance des
expressions rationnelles » liste les opérateurs
disponibles pour la correspondance de motifs à partir d'expressions
rationnelles POSIX.
Tableau 9.11. Opérateurs de correspondance des
expressions rationnelles
|
Opérateur
|
Description
|
Exemple
|
|
~
|
Correspondance d'expression rationnelle, en tenant compte
de la casse
|
'thomas' ~ '.*thomas.*'
|
|
~*
|
Correspondance d'expression rationnelle, sans tenir
compte de la casse
|
'thomas' ~* '.*Thomas.*'
|
|
!~
|
Non-correspondance d'expression rationnelle, en tenant
compte de la casse
|
'thomas' !~ '.*Thomas.*'
|
|
!~*
|
Non-correspondance d'expression rationnelle, sans tenir
compte de la casse
|
'thomas' !~* '.*vadim.*'
|
Les expressions rationnelles POSIX sont un outil de correspondance de motifs
plus puissant que les opérateurs LIKE et
SIMILAR TO. Beaucoup d'outils Unix comme
egrep
,
sed
ou
awk
utilisent un langage de
correspondance de modèles similaire à celui décrit ici.
Une expression rationnelle est une séquence de caractères
représentant une définition abrégée d'un ensemble de chaînes (un
ensemble rationnel). Une chaîne est
déclarée correspondre à une expression rationnelle si elle est
membre de l'ensemble rationnel décrit par l'expression rationnelle.
Comme avec LIKE, les caractères du motif
correspondent exactement aux caractères de le chaîne sauf s'ils
représentent des caractères spéciaux dans le langage des
expressions rationnelles -- mais les expressions rationnelles
utilisent des caractères spéciaux différents de ceux utilisés par
LIKE. Contrairement aux motifs de
LIKE, une expression rationnelle peut
avoir une correspondance en toute place de la chaîne, sauf si
l'expression rationnelle est explicitement ancrée au début ou à la
fin de la chaîne.
Quelques exemples :
'abc' ~ 'abc' true
'abc' ~ '^a' true
'abc' ~ '(b|d)' true
'abc' ~ '^(b|c)' false
La fonction substring avec deux
paramètres, substring(
chaîne
, from
motif
), extrait une sous-chaîne
qui correspond à un motif d'expression rationnelle POSIX. Elle
renvoie NULL s'il n'y a pas de correspondance, la portion de texte
correspondant au modèle dans le cas contraire. Mais si le motif
contient des parenthèses, c'est la portion de texte qui correspond
à la première sous-expression entre parenthèses (la première dont
la parenthèse gauche apparaît) qui est renvoyée. Il est possible de
placer toute l'expression entre parenthèses pour pouvoir utiliser
des parenthèses à l'intérieur sans déclencher cette exception. Si
des parenthèses sont nécessaires dans le motif avant la
sous-expression à extraire, il faut utiliser les propriétés des
parenthèses non-capturantes décrites plus bas.
Quelques exemples :
substring('foubar' from 'o.b') oub
substring('foubar' from 'o(.)b') u
La fonction regexp_replace substitue un
nouveau texte aux sous-chaînes correspondantes des motifs
d'expressions rationnelles. Elle a la syntaxe regexp_replace(
source
,
motif
,
remplacement
[,
options
]). La chaîne
source
est renvoyée non
modifiée s'il n'existe pas de correspondance avec
motif
. S'il existe une correspondance,
la chaîne
source
est renvoyée
avec la chaîne
remplacement
substituée à la sous-chaîne correspondante. La chaîne
remplacement
peut contenir \
n
, avec
n
de 1 à 9, pour indiquer que la
n
-ième sous-chaîne source
correspondante doit être insérée. Elle peut aussi contenir
\& pour indiquer que la sous-chaîne
correspondant au motif entier doit être insérée. On écrit
\\ pou placer un antislash littéral dans
le texte de remplacement (comme toujours, les antislashs doivent
être doublés dans les libellés, si la syntaxe d'échappement de
chaînes est utilisée). Le paramètre
options
est une chaîne optionnelle de
drapeaux (0 ou plus) d'une lettre qui modifie le comportement de la
fonction. Le drapeau i indique une
recherche insensible à la casse, le drapeau g un remplacement de chaque sous-chaîne
correspondante (pas uniquement la première).
Quelques exemples :
regexp_replace('foobarbaz', 'b..', 'X')
fooXbaz
regexp_replace('foobarbaz', 'b..', 'X', 'g')
fooXX
regexp_replace('foobarbaz', 'b(..)', E'X\\1Y', 'g')
fooXarYXazY
Les expressions rationnelles de PostgreSQL™ sont développées à partir
d'un paquetage écrit par Henry Spencer. La plupart des descriptions
d'expressions rationnelles ci-dessous sont copiées directement de
son manuel.
9.7.3.1. Détails des
expressions rationnelles
Les expressions rationnelles (ERs), telles que définies dans
POSIX 1003.2, existent sous
deux formes : les ER
étendues ou ERE (en gros celles de
egrep
) et les ER
basiques ou
ERB (BRE en anglais) (en gros celles
d'
ed
). PostgreSQL™ supporte les deux formes
et y ajoute quelques extensions ne faisant pas partie du standard
POSIX mais largement utilisées grâce à leur disponibilité dans
les langages de programmation tels que Perl et Tcl. Les
ER qui utilisent ces
extensions non POSIX sont appelées des ER
avancées ou
ERA (ARE en anglais) dans cette documentation. Les
ERA sont un surensemble exact des ERE alors que les ERB ont des
incompatibilités de notation (sans parler du fait qu'elles sont
bien plus limitées). En premier lieu sont décrits les formats ERA
et ERE, en précisant les fonctionnalités qui ne s'appliquent
qu'aux ERA. L'explication des différences des ERB vient ensuite.
![[Note]](images/note.png)
Note
La forme des expressions rationnelles acceptées par
PostgreSQL™ peut être
choisie à l'aide du paramètre d'exécution regex_flavor
(décrit dans le Chapitre 17,
Configuration du serveur). La configuration habituelle
est advanced (NdT : pour avancées)
mais il est possible de sélectionner extended (pour étendues) pour obtenir un
maximum de compatibilité avec les versions antérieures à la
version 7.4 de PostgreSQL™.
Une expression rationnelle est définie par une ou plusieurs
branches séparées par des caractères
|. Elle établit une correspondance avec
tout ce qui correspond à une des branches.
Une branche contient des atomes
quantifiés ou contraintes,
concaténés. Elle établit une correspondance pour le premier suivi
d'une correspondance pour le second, etc ; une branche vide
établit une correspondance avec une chaîne vide.
Un atome quantifié est un atome
éventuellement suivi d'un quantifieur
unique. Sans quantifieur, il établit une correspondance avec
l'atome. Avec un quantifieur, il peut établir un certain nombre
de correspondances avec l'atome. Un atome est une des possibilités du Tableau 9.12,
« Atomes d'expressions rationnelles ». Les
quantifieurs possibles et leurs significations sont disponibles
dans le
Tableau 9.13, « quantificateur d'expressions
rationnelles ».
Une contrainte établit une
correspondance avec une chaîne vide, mais cette correspondance
n'est établie que lorsque des conditions spécifiques sont
remplies. Une contrainte peut être utilisée là où un atome peut
l'être, sauf qu'elle ne peut pas être suivie d'un quantificateur.
Les contraintes simples sont affichées dans le
Tableau 9.14, « Contraintes des expressions
rationnelles » ; quelques contraintes supplémentaires
sont décrites plus loin.
Tableau 9.12. Atomes d'expressions
rationnelles
|
Atome
|
Description
|
|
(
re
)
|
(où
re
est toute
expression rationnelle) établit une correspondance avec
re
, la
correspondance étant conservée en vue d'un éventuel
report
|
|
(?:
re
)
|
comme ci-dessus mais la correspondance n'est pas
conservée pour report (un ensemble de parenthèses
« sans capture »)
(seulement pour les ERA)
|
|
.
|
correpondance avec tout caractère unique
|
|
[
caractères
]
|
une expression entre
crochets, qui établit une correspondance avec tout
caractères
(voir
la Section 9.7.3.2,
« Expressions avec crochets » pour plus
de détails)
|
|
\
k
|
(où
k
n'est pas
un caractère alpha-numérique) établit une
correspondance avec ce caractère, considéré comme
caractère ordinaire. Par exemple, \\ établit une correspondance avec un
caractère antislash
|
|
\
c
|
avec
c
un
caractère alphanumérique (éventuellement suivi d'autres
caractères) est un échappement, voir la Section 9.7.3.3,
« Échappement d'expressions
rationnelles » (ERA seulement ; pour les ERE
et ERB, établit une correspondance avec
c
)
|
|
{
|
lorsqu'il est suivi d'un caractère autre qu'un chiffre,
établit une correspondance avec l'accolade ouvrante
{ ; suivi d'un chiffre, c'est
le début d'une
limite
(voir ci-dessous)
|
|
x
|
où
x
est un
caractère unique sans signification, établit une
correspondance avec ce caractère
|
Une ER ne peut pas se terminer par \.
Note
L'antislash (\) a déjà une
signification particulière dans les chaînes littérales
PostgreSQL™. Pour
écrire un motif contenant un antislash, il faut écrire deux
antislashs dans l'instruction, en supposant que la syntaxe de
chaîne d'échappement est utilisée.
Tableau 9.13. quantificateur d'expressions
rationnelles
|
quantificateur
|
Correspondance
|
|
*
|
une séquence de 0 ou plus correspondance(s) de l'atome
|
|
+
|
une séquence de 1 ou plus correspondance(s) de l'atome
|
|
?
|
une séquence de 0 ou 1 correspondance de l'atome
|
|
{
m
}
|
une séquence d'exactement
m
correspondances de
l'atome
|
|
{
m
,}
|
une séquence de
m
ou plus correspondances de l'atome
|
|
{
m
,
n
}
|
une séquence de
m
à
n
(inclus)
correspondances de l'atome ;
m
ne doit pas être
supérieur à
n
|
|
*?
|
version non gourmande de *
|
|
+?
|
version non gourmande de +
|
|
??
|
version non gourmande de ?
|
|
{
m
}?
|
version non gourmande de {
m
}
|
|
{
m
,}?
|
version non gourmande de {
m
,}
|
|
{
m
,
n
}?
|
version non gourmande de {
m
,
n
}
|
Les formes qui utilisent {
...
} sont
appelées limites. Les nombres
m
et
n
à l'intérieur d'une limite sont des
entiers non signés dont les valeurs vont de 0 à 255 inclus.
Les quantificateurs non gourmands
(disponibles uniquement avec les ERA) correspondent aux même
possibilités que leurs équivalents normaux (gourmand), mais préfèrent le plus petit nombre
de correspondances au plus grand nombre. Voir la
Section 9.7.3.5, « Règles de correspondance des
expressions rationnelles » pour plus de détails.
Note
Un quantificateur ne peut pas immédiatement suivre un autre
quantificateur. Il ne peut pas non plus débuter une
expression ou sous-expression ni suivre ^ ou |.
Tableau 9.14. Contraintes des expressions
rationnelles
|
Contrainte
|
Description
|
|
^
|
correspondance de début de chaîne
|
|
$
|
correspondance de fin de chaîne
|
|
(?=
er
)
|
positive lookahead
(recherche positive) établit une correspondance avec
tout point où une sous-chaîne qui correspond à
er
débute
(uniquement pour les ERA)
|
|
(?!
er
)
|
negative lookahead
(recherche négative) établit une correspondance avec
tout point où aucune sous-chaîne qui correspond à
re
ne débute
(uniquement pour les ERA)
|
Les contraintes « lookahead » ne doivent pas contenir de
références arrières (voir la Section 9.7.3.3,
« Échappement d'expressions rationnelles »), et
toutes les parenthèses contenues sont considérées comme non
capturantes.
9.7.3.2. Expressions
avec crochets
Une expression entre crochets est une
liste de caractères contenue dans [].
Une correspondance est habituellement établie avec tout caractère
de la liste (voir cependant plus bas). Si la liste débute par
^, la correspondance est établie avec
tout caractère
non
compris
dans la liste. Si deux caractères de la liste sont séparés par un
tiret (-), il s'agit d'un raccourci pour
représenter tous les caractères compris entre ces deux-là,
c'est-à-dire qu'en ASCII,
[0-9] correspond à tout chiffre. Deux
séquences ne peuvent pas partager une limite, par exemple
a-c-e. Les plages étant fortement liées
à la séquence de tri (
collate
), il est recommandé de ne pas
les utiliser dans les programmes portables.
Un ] peut être inclus dans la liste s'il
en est le premier caractère (éventuellement précédé de ^). Un - peut être inclus
dans la liste s'il en est le premiser ou le dernier caractère ou
s'il est la deuxième borne d'une plage. Un - peut être utilisé comme première borne d'une
plage s'il est entouré par [. et
.] et devient de ce fait un élément
d'interclassement (
collating element
). À l'exception de
ces caractères, des combinaisons utilisant [ (voir les paragraphes suivants) et des
échappements (uniquement pour les ERA), tous les autres
caractères spéciaux perdent leur signification spéciale à
l'intérieur d'une expression entre crochets. En particulier,
\ n'est pas spécial lorsqu'il suit les
règles des ERE ou des ERB bien qu'il soit spécial (en tant
qu'introduction d'un échappement) dans les ERA.
Dans une expression entre crochets, un élément d'interclassement
(un caractère, une séquence de caractères multiples qui
s'interclasse comme un élément unique, ou le nom d'une séquence
d'interclassement) entouré de [. et
.] représente la séquence de caractères
de cet élément d'interclassemernt. La séquence est un élément
unique de la liste dans l'expression entre crochets. Une
expression entre crochets contenant un élément d'interclassement
multi-caractères peut donc correspondre à plusieurs caractères
(par exemple, si la séquence d'interclassement inclut un élément
d'interclassement ch, alors l'ER
[[.ch.]]*c établit une correspondance
avec les cinq premiers caractères de chchcc.
Note
PostgreSQL™ n'a pas, à
ce jour, d'éléments d'interclassement multi-caractères.
L'information porté ici décrit un éventuel comportement
futur.
Dans une expression entre crochets, un élément d'interclassement
écrit entre [= et =] est une classe d'équivalence qui représente les
séquences de caractères de tous les éléments d'interclassement
équivalents à celui-là, lui-même étant compris (s'il n'existe pas
d'élément d'interclassement équivalent, le traitement correspond
à celui obtenu si les délimiteurs sont [. et .]). Par exemple,
si o et ^ sont
les membres d'une classe d'équivalence, alors [[=o=]], [[=^=]] et
[o^] sont tous synonymes. Une classe
d'équivalence ne peut pas être la borne d'une plage.
Dans une expression entre crochets, le nom d'une classe de
caractères écrit entre [: et :] représente la liste de tous les caractères
appartenant à cette classe. Les noms de classes de caractères
standard sont alnum, alpha, blank, cntrl, digit, graph, lower, print, punct, space, upper, xdigit. Ils correspondent aux classes de caractère
définies dans
ctype(3). Une locale peut en
fournir d'autres. Une classe de caractères ne peut pas être
utilisée comme borne d'une plage.
Il existe deux cas spéciaux d'expressions entre crochets : les
expressions entre crochets [[:<:]] et
[[:>:]] sont des contraintes, qui
établissent une correspondance avec des chaînes vides
respectivement au début et à la fin d'un mot. Un mot est défini
comme une séquence de caractères de mot qui n'est ni précédée ni
suivie de caractères de mot. Un caractère de mot est un caractère
alnum (comme défini par
ctype(3)) ou un tiret bas. C'est
une extension, compatible avec, mais non spécifiée dans
POSIX 1003.2, et devant être
utilisée avec précaution dans les logiciels conçus pour être
portables sur d'autres systèmes. Les échappements de contraintes
décrits ci-dessous sont généralement préférables (ils ne sont pas
plus standard mais certainement plus simples à saisir).
9.7.3.3. Échappement
d'expressions rationnelles
Les échappements sont des séquences
spéciales débutant avec \ suivi d'un
caractère alphanumérique. Il existe plusieurs sortes
d'échappements : entrée de caractère, raccourci de classe,
échappement de contraintes et références arrières. Un \ suivi d'un caractère alphanumérique mais ne
constituant pas un échappement valide est illégal dans une ERA.
Pour les ERE, il n'y pas d'échappement : en dehors d'une
expression entre crochets, un \ suivi
d'un caractère alphanumérique représnete simplement ce caractère
(comme ordinaire) et, à l'intérieur d'une expression entre
crochets, \ est un caractère ordinaire.
(Ce dernier cas constitue l'incompatibilité réelle entre les ERE
et les ERA).
Les échappements d'entrée de caractère
existent pour faciliter la spécification de caractères non
affichables et donc indésirables dans les ER. Ils sont présntés
dans le
Tableau 9.15, « Échappements de caractère dans les
expressions rationnelles ».
Les échappements de raccourci de
classe fournissent des raccourcis pour des classes de
caractères communément utilisées. Ils sont présentés dans le
Tableau 9.16, « Échappement de raccourcis de classes
dans les expressions rationnelles ».
Un échappement de contrainte est une
contrainte, fournissant une correspondance avec la chaîne vide si
des conditions spécifiques sont rencontrées, écrit comme un
échappement. Ils sont présentés dans le
Tableau 9.17, « Échappements de contraintes dans les
expressions rationnelles ».
Une référence arrière (\
n
) offre un
correspondance avec la même chaîne que la sous-expression entre
parenthèses précédente spécifiée par le nombre
n
(voir le
Tableau 9.18, « Références arrières dans les
expressions rationnelles »). Par exemple, ([bc])\1 peut correspondre à bb ou cc mais ni à
bc ni à cb. La
sous-expression doit précéder complètement la référence dans
l'ER. Les sous-expressions sont numérotées dans l'ordre des
parenthèses ouvrantes. Les parenthèses non capturantes ne
définissent pas de sous-expressions.
Note
Le symbole \ qui débute une séquence
d'échappement doit être obligatoirement doublé pour saisir le
motif comme une chaîne SQL constante. Par exemple :
'123' ~ E'^\\d{3}' true
Tableau 9.15. Échappements de caractère dans les
expressions rationnelles
|
Échappement
|
Description
|
|
\a
|
caractère alerte (cloche), comme en C
|
|
\b
|
effacement (
backspace
), comme en C
|
|
\B
|
synonyme de \ pour aider à la
réduction des doubles antislashs
|
|
\c
X
|
(où
X
est un
caractère quelconque) le caractère dont les cinq bits
de poids faible sont les mêmes que ceux de
X
et dont tous les autres
bits sont à zéro
|
|
\e
|
le caractère dont le nom de séquence d'interclassement
est ESC, ou le caractère de
valeur octale 033
|
|
\f
|
retour chariot (
form feed
), comme en C
|
|
\n
|
retour à la ligne (
newline
), comme en C
|
|
\r
|
retour chariot (
carriage return
), comme en
C
|
|
\t
|
tabulation horizontale, comme en C
|
|
\u
wxyz
|
(où
wxyz
représente exactement quatre chiffres hexadécimaux) le
caractère UTF16 (Unicode, 16 bits) U+
wxyz
dans l'ordre local des
octets
|
|
\U
stuvwxyz
|
(où
stuvwxyz
représente exactement huit chiffres hexadécimaux)
réservé pour une extension, hypothétique, de l'Unicode
vers le 32 bits
|
|
\v
|
tabulation verticale, comme en C
|
|
\x
hhh
|
(où
hhh
représente toute séquence de chiffres hexadécimaux) le
caractère dont la valeur hexadécimale est 0x
hhh
(un simple caractère,
peu importe le nombre de chiffres hexadécimaux
utilisés)
|
|
\0
|
le caractère dont la valeur est 0
|
|
\
xy
|
(où
xy
représente
exactement deux chiffres octaux et qui n'est pas une
référence arrière) le
caractère dont la valeur octale est 0
xy
|
|
\
xyz
|
(où
xyz
représente exactement trois chiffres octaux et qui
n'est pas une référence
arrière) le caractère dont la valeur octale est
0
xyz
|
Les chiffres hexadécimaux sont 0-9, a-f et A-F. Les chiffres octaux
sont 0-7.
Les échappements de caractères sont toujours pris comme des
caractères ordinaires. Par exemple, \135
est ] en ASCII mais \135 ne termine pas une expression entre crochets.
Tableau 9.16. Échappement de raccourcis de classes
dans les expressions rationnelles
|
Échappement
|
Description
|
|
\d
|
[[:digit:]]
|
|
\s
|
[[:space:]]
|
|
\w
|
[[:alnum:]_] (le tiret bas est
inclus)
|
|
\D
|
[^[:digit:]]
|
|
\S
|
[^[:space:]]
|
|
\W
|
[^[:alnum:]_] (le tiret bas
est inclus)
|
Dans les expressions entre crochets, \d,
\s, et \w
perdent leurs crochets externes. \D,
\S et \W ne
sont pas autorisés. (Ainsi, par exemple, [a-c\d] est équivalent à [a-c[:digit:]]. Mais [a-c\D], qui est équivalent à [a-c^[:digit:]], est interdit).
Tableau 9.17. Échappements de contraintes dans les
expressions rationnelles
Un mot est défini suivant la spécification établit par [[:<:]] et [[:>:]]
ci-dessus. Les contraintes d'échappements sont interdites dans
les expressions entre crochets.
Tableau 9.18. Références arrières dans les
expressions rationnelles
|
Échappement
|
Description
|
|
\
m
|
(où
m
est un
chiffre différent de zéro) référence à la
m
-ième sous-expression
|
|
\
mnn
|
(où
m
est un
chiffre différent de zéro et
nn
quelques chiffres
supplémentaires, et la valeur décimale
mnn
n'est pas plus grande
que le nombre de parenthèses fermantes capturantes vues
jusque là) référence à la
mnn
-ième sous-expression
|
Note
Il existe une ambiguïté historique inhérente entre les
échappements de caractères en octal et les références. Cette
ambiguïté est résolue par des heuristiques, comme montré
ci-dessus. Un zéro en début de chaîne indique toujours un
échappement octal. Un caractère seul différent de zéro et
suivi d'un autre caractère est toujours pris comme une
référence. Une séquence à plusieurs chiffres ne commençant
pas avec un zéro est prise comme une référence si elle vient
après une sous-expression convenable (c'est-à-dire que le
nombre fait partie des numéros autorisés pour une référence).
Dans le cas contraire, il est pris comme nombre octal.
9.7.3.4. Métasyntaxe des
expressions rationnelles
En plus de la syntaxe principale décrite ci-dessus, il existe
quelques formes spéciales et autres possibilités syntaxiques.
Normalement, le type d'ER considéré est déterminé par regex_flavor. Néanmoins, ce paramètre peut être
surchargé par un préfixe directeur. Si
une ER commence par ***:, le reste de
l'ER est considéré comme une ERA, quelque soit la valeur de
regex_flavor. Si une ER commence par
***=, le reste de l'ER est considéré
comme une chaîne littérale, tous les caractères étant donc
considérés ordinaires.
Une ERA peut débuter par des options
intégrées : une séquence (?
xyz
) (où
xyz
correspond à un ou
plusieurs caractères alphabétiques) spécifie les options
affectant le reste de l'ER. Ces options surchargent toutes les
options précédemment déterminées (incluant le type de l'ER et la
sensibilité à la casse). Les lettres d'options disponibles sont
indiquées dans le Tableau 9.19,
« Lettres d'option intégrées à une ERA ».
Tableau 9.19. Lettres d'option intégrées à une
ERA
Les options intégrées prennent effet à la ) terminant la séquence. Elles ne peuvent
apparaître qu'au début d'une ERA (après le directeur ***: s'il y en a un).
En plus de la syntaxe habituelle d'une ER (compacte), dans laquelle tous les caractères ont
une signification, il existe une syntaxe étendue, accessible en signifiant l'option
intégrée x. Avec la syntaxe étendue, les
caractères espace dans l'ER sont ignorés comme le sont tous les
caractères entre un # et le
retour-chariot qui suit (ou la fin de l'ER). Ceci permet de
parapher et commenter une ER complexe. Il existe trois exceptions
à cette règle de base :
-
un caractère espace ou # suivi
d'un \ est retenu
-
un caractère espace ou # à
l'intérieur d'une expression entre crochets est retenu
-
un caractère espace ou un commentaire ne peut pas
apparaître dans les symboles multi-caractères, tels que
(?:
À ce propos, les caractères espace sont l'espace, la tabulation,
le retour chariot et tout caractère appartenant à la classe de
caractère
space
.
Enfin, dans une ERA, à l'extérieur des expressions entre
crochets, la séquence (?#
ttt
) (où
ttt
est tout texte ne
contenant pas )) est un commentaire,
totalement ignoré. Là encore, cela n'est pas permis entre les
caractères des symboles multi-caractères comme (?:. De tels commentaires sont plus un artéfact
historique qu'une fonctionnalité utile et leur utilisation est
obsolète ; on utilisera plutôt la syntaxe étendue.
Aucune
de ces extensions
métasyntaxique n'est disponible si un directeur initial
***= indique que la saisie utilisateur
doit être traitée comme une chaîne littérale plutôt que comme une
ER.
9.7.3.5. Règles de
correspondance des expressions rationnelles
Dans l'hypothèse où une ER peut correspondre à plusieurs
sous-chaînes d'une chaîne donnée, l'ER correspond celle qui
apparaît la première dans la chaîne. Si ER peut correspondre à
plusieurs sous-chaînes à partir de ce point, c'est soit la
correspondance la plus longue possible soit la correspondance la
plus courte possible qui est retenue suivant que l'ER est
gourmande ou non-gourmande (
greedy/non-greedy
).
La gourmandise d'une ER est déterminée par les règles suivantes :
-
la plupart des atomes, et toutes les contraintes, n'ont pas
d'attribut de gourmandise (parce qu'ils ne peuvent, en
aucune façon, établir de correspondance avec des quantités
variables de texte) ;
-
l'ajout de parenthèses autour d'une ER ne change pas sa
gourmandise ;
-
un atome quantifié avec un quantificateur à répétition fixe
({
m
} ou
{
m
}?) a
la même gourmandise (éventuellement aucune) que l'atome
lui-même ;
-
un atome quantifié avec d'autres quantificateurs standard
(dont {
m
,
n
}
avec
m
égal à
| |
