Guide des expressions régulières
********************************

Auteur:
   A.M. Kuchling <amk@amk.ca>


Résumé
^^^^^^

Ce document constitue un guide d'introduction à l'utilisation des
expressions régulières en Python avec le module "re". Il fournit une
introduction plus abordable que la section correspondante dans le
guide de référence de la bibliothèque.


Introduction
============

Les expressions régulières (notées RE ou motifs *regex* dans ce
document) sont essentiellement un petit langage de programmation
hautement spécialisé embarqué dans Python et dont la manipulation est
rendue possible par l'utilisation du module "re". En utilisant ce
petit langage, vous définissez des règles pour spécifier une
correspondance avec un ensemble souhaité de chaînes de caractères ;
ces chaînes peuvent être des phrases, des adresses de courriel, des
commandes TeX ou tout ce que vous voulez. Vous pouvez ensuite poser
des questions telles que "Est-ce que cette chaîne de caractères
correspond au motif ?" ou "Y a-t-il une correspondance pour ce motif à
l'intérieur de la chaîne de caractères ?". Vous pouvez aussi utiliser
les RE pour modifier une chaîne de caractères ou la découper de
différentes façons.

Un motif d'expression régulière est compilé en code intermédiaire
(*bytecode* en anglais) qui est ensuite exécuté par un moteur de
correspondance écrit en C. Pour une utilisation plus poussée, il peut
s'avérer nécessaire de s'intéresser à la manière dont le moteur
exécute la RE afin d'écrire une expression dont le code intermédiaire
est plus rapide. L'optimisation n'est pas traitée dans ce document,
parce qu'elle nécessite d'avoir une bonne compréhension des mécanismes
internes du moteur de correspondance.

Le langage des expressions régulières est relativement petit et
restreint, donc toutes les tâches de manipulation de chaînes de
caractères ne peuvent pas être réalisées à l'aide d'expressions
régulières. Il existe aussi des tâches qui *peuvent* être réalisées à
l'aide d'expressions régulières mais qui ont tendance à produire des
expressions régulières très compliquées. Dans ces cas, il est plus
utile d'écrire du code Python pour réaliser le traitement ; même si le
code Python est plus lent qu'une expression régulière élaborée, il
sera probablement plus compréhensible.


Motifs simples
==============

Nous commençons par étudier les expressions régulières les plus
simples. Dans la mesure où les expressions régulières sont utilisées
pour manipuler des chaînes de caractères, nous commençons par l'action
la plus courante : la correspondance de caractères.

Pour une explication détaillée sur le concept informatique sous-jacent
aux expressions régulières (automate à états déterministe ou non-
déterministe), vous pouvez vous référer à n'importe quel manuel sur
l'écriture de compilateurs.


Correspondance de caractères
----------------------------

La plupart des lettres ou caractères correspondent simplement à eux-
mêmes. Par exemple, l'expression régulière "test" correspond à la
chaîne de caractères "test", précisément. Vous pouvez activer le mode
non-sensible à la casse qui permet à cette RE de correspondre
également à "Test" ou "TEST" (ce sujet est traité par la suite).

Il existe des exceptions à cette règle ; certains caractères sont des
*métacaractères* spéciaux et ne correspondent pas à eux-mêmes. Au lieu
de cela, ils signalent que certaines choses non ordinaires doivent
correspondre, ou ils affectent d'autre portions de la RE en les
répétant ou en changeant leur sens. Une grande partie de ce document
est consacrée au fonctionnement de ces métacaractères.

Voici une liste complète des métacaractères ; leur sens est décrit
dans la suite de ce guide.

   . ^ $ * + ? { } [ ] \ | ( )

Les premiers métacaractères que nous étudions sont "[" et "]". Ils
sont utilisés pour spécifier une classe de caractères, qui forme un
ensemble de caractères dont vous souhaitez trouver la correspondance.
Les caractères peuvent être listés individuellement, ou une plage de
caractères peut être indiquée en fournissant deux caractères séparés
par un *'-'`*. Par exemple, "[abc]" correspond à n'importe quel
caractère parmi "a", "b", ou "c" ; c'est équivalent à "[a-c]", qui
utilise une plage pour exprimer le même ensemble de caractères. Si
vous voulez trouver une chaîne qui ne contient que des lettres en
minuscules, la RE est "[a-z]".

Les métacaractères ne sont pas actifs dans les classes. Par exemple,
"[akm$]" correspond à n'importe quel caractère parmi "'a'", "'k'",
"'m'" ou "'$'" ; "'$'" est habituellement un métacaractère mais dans
une classe de caractères, il est dépourvu de sa signification
spéciale.

Vous pouvez trouver une correspondance avec les caractères non listés
dans une classe en spécifiant le *complément* de l'ensemble. Ceci est
indiqué en plaçant un "'^'" en tant que premier caractère de la
classe. Par exemple, "[^5]" correspond à tous les caractères, sauf
"'5'". Si le caret se trouve ailleurs dans la classe de caractères, il
ne possède pas de signification spéciale. Ainsi, "[5^]" correspond au
"'5'" ou au caractère "'^'".

Le métacaractère le plus important est probablement la barre oblique
inverse ( *backslash* en anglais), "\". Comme dans les chaînes de
caractères en Python, la barre oblique inverse peut être suivie par
différents caractères pour signaler différentes séquences spéciales.
Elle est aussi utilisée pour échapper tous les métacaractères afin
d'en trouver les correspondances dans les motifs ; par exemple, si
vous devez trouver une correspondance pour "[" ou "\", vous pouvez les
précéder avec une barre oblique inverse pour annuler leur
signification spéciale : "\[" ou "\\".

Certaines séquences spéciales commençant par "'\'" représentent des
ensembles de caractères prédéfinis qui sont souvent utiles, tels que
l'ensemble des chiffres, l'ensemble des lettres ou l'ensemble des
caractères qui ne sont pas des "blancs".

Prenons un exemple : "\w" correspond à n'importe quel caractère
alphanumérique. Si l'expression régulière est exprimée en *bytes*,
c'est équivalent à la classe "[a-zA-Z0-9_]". Si l'expression régulière
est une chaîne de caractères, "\w" correspond à tous les caractères
identifiés comme lettre dans la base de données Unicode fournie par le
module "unicodedata". Vous pouvez utiliser la définition plus
restrictive de "\w" dans un motif exprimé en chaîne de caractères en
spécifiant l'option "re.ASCII" lors de la compilation de l'expression
régulière.

La liste de séquences spéciales suivante est incomplète. Pour une
liste complète des séquences et définitions de classes étendues
relatives aux motifs de chaînes de caractères Unicode, reportez-vous à
la dernière partie de la référence Syntaxe d'Expressions Régulières de
la bibliothèque standard. En général, les versions Unicode trouvent
une correspondance avec n'importe quel caractère présent dans la
catégorie appropriée de la base de données Unicode.

"\d"
   Correspond à n'importe quel caractère numérique ; équivalent à la
   classe "[0-9]".

"\D"
   Correspond à n'importe caractère non numérique ; équivalent à la
   classe "[^0-9]".

"\s"
   Correspond à n'importe quel caractère "blanc" ; équivalent à la
   classe "[ \t\n\r\f\v]".

"\S"
   Correspond à n'importe caractère autre que "blanc" ; équivalent à
   la classe "[^ \t\n\r\f\v]".

"\w"
   Correspond à n'importe caractère alphanumérique ; équivalent à la
   classe "[a-zA-Z0-9_]".

"\W"
   Correspond à n'importe caractère non-alphanumérique ; équivalent à
   la classe "[^a-zA-Z0-9_]".

Ces séquences peuvent être incluses dans une classe de caractères. Par
exemple, "[\s,.]" est une classe de caractères qui correspond à tous
les caractères "blancs" ou "','" ou "'.'".

Le dernier métacaractère de cette section est ".". Il correspond à
tous les caractères, à l'exception du caractère de retour à la ligne ;
il existe un mode alternatif ("re.DOTALL") dans lequel il correspond
également eu caractère de retour à la ligne. "." est souvent utilisé
lorsque l'on veut trouver une correspondance avec "n'importe quel
caractère".


Répétitions
-----------

Trouver des correspondances de divers ensembles de caractères est la
première utilisation des expressions régulières, ce que l'on ne peut
pas faire avec les méthodes des chaînes. Cependant, si c'était la
seule possibilité des expressions régulières, le gain ne serait pas
significatif. Une autre utilisation consiste à spécifier des portions
d'une RE qui peuvent être répétées un certain nombre de fois.

Le premier métacaractère pour la répétition que nous abordons est "*".
"*" ne correspond pas au caractère littéral "'*'" ; à la place, il
spécifie que le caractère précédent peut correspondre zéro, une ou
plusieurs fois (au lieu d'une seule fois).

Par exemple, "cha*t" correspond à "'cht'" (0 caractère "'a'"),
"'chat'" (1 "'a'"), "'chaaat'" (3 caractères  "'a'") et ainsi de
suite.

Les répétitions telles que "*" sont *gloutonnes* ; quand vous répétez
une RE, le moteur de correspondance essaie de trouver la
correspondance la plus longue en répétant le motif tant qu'il le peut.
Si la suite du motif ne correspond pas, le moteur de correspondance
revient en arrière et essaie avec moins de répétitions.

Un exemple étape par étape mettra les choses au clair. Considérons
l'expression "a[bcd]*b". Elle correspond à la lettre "'a'", suivi
d'aucune ou plusieurs lettres de la classe *[bcd]`* et finit par un
"'b'". Maintenant, supposons que nous cherchons une correspondance de
cette RE avec la chaîne de caractères "'abcbd'".

+--------+-------------+-----------------------------------+
| Étape  | Correspond  | Explication                       |
|========|=============|===================================|
| 1      | "a"         | Le "a" correspond dans la RE.     |
+--------+-------------+-----------------------------------+
| 2      | "abcbd"     | Le moteur de correspondance       |
|        |             | trouve "[bcd]*", va aussi loin    |
|        |             | qu'il le peut, ce qui n'est pas   |
|        |             | la fin de la chaîne.              |
+--------+-------------+-----------------------------------+
| 3      | *échec*     | Le moteur essaie de trouver une   |
|        |             | correspondance avec "b" mais la   |
|        |             | position courante est à la fin de |
|        |             | la chaîne de caractères, donc il  |
|        |             | échoue.                           |
+--------+-------------+-----------------------------------+
| 4      | "abcb"      | Retour en arrière, de manière à   |
|        |             | ce que "[bcd]*" corresponde avec  |
|        |             | un caractère de moins.            |
+--------+-------------+-----------------------------------+
| 5      | *échec*     | Essaie encore "b", mais la        |
|        |             | position courante est le dernier  |
|        |             | caractère, qui est "'d'".         |
+--------+-------------+-----------------------------------+
| 6      | "abc"       | Encore un retour en arrière, de   |
|        |             | manière à ce que "[bcd]*" ne      |
|        |             | corresponde qu'à "bc".            |
+--------+-------------+-----------------------------------+
| 6      | "abcb"      | Essaie "b" encore une fois. Cette |
|        |             | fois, le caractère à la position  |
|        |             | courante est "'b'", donc cela     |
|        |             | fonctionne.                       |
+--------+-------------+-----------------------------------+

La fin de la RE est maintenant atteinte et la correspondance trouvée
est "'abcb'". Ceci démontre comment le moteur de correspondance essaie
d'aller le plus loin possible en premier et, si la correspondance
échoue, il revient progressivement en arrière et ré-essaie avec le
reste de la RE encore et encore. Il revient en arrière jusqu'à qu'il
n'y ait aucune correspondance pour "[bcd]*" et, si cela échoue
toujours, le moteur conclut que la chaîne de caractères et la RE ne
correspondent pas du tout.

Un autre métacaractère de répétition est "+", qui fait correspondre
une ou plusieurs fois. Faites bien attention à la différence entre "*"
et "+" ; "*" fait correspondre *zéro* fois ou plus, ainsi ce qui doit
être répété peut ne pas être présent du tout, alors que  "+" requiert
au moins *une* occurrence. Pour continuer avec le même exemple,
"cha+t" correspond avec "'chat'" (1 "'a'"), "'chaaat'" (3 "'a'") mais
ne correspond pas avec "'ct'".

Il existe deux autres quantificateurs pour les répétitions. Le point
d'interrogation, "?", fait correspondre zéro ou une fois ; vous pouvez
vous le représenter comme indiquant une option. Par exemple,
"méta-?caractère" fait correspondre soit "métacaractère", soit "méta-
caractère".

Le plus compliqué des quantificateurs est "{m,n}" où *m* et *n* sont
des entiers décimaux. Ce quantificateur indique qu'il faut au moins
*m* répétitions et au plus *n*. Par exemple, "a/{1,3}b" fait
correspondre "'a/b'", "'a//b'" et "'a///b'". Elle ne fait pas
correspondre "'ab'" (pas de barre oblique) ni "'a////b'" (quatre
barres obliques).

Vous pouvez omettre soit *m*, soit *n* ; dans ce cas, une valeur
raisonnable est prise pour la valeur manquante. Omettre *m* considère
que la borne basse est 0 alors qu'omettre *n* signifie qu'il n'y a pas
de borne supérieure.

Le lecteur attentif aura noté que les trois premiers quantificateurs
peuvent être exprimés en utilisant cette notation. "{0,}" est la même
chose que "*", "{1,}" est équivalent à "+" et "{0,1}" se comporte
comme "?". Il est préférable d'utiliser "*", "+" ou "?" quand vous le
pouvez, simplement parce qu'ils sont plus courts et plus faciles à
lire.


Utilisation des expressions régulières
======================================

Maintenant que nous avons vu quelques expressions régulières simples,
utilisons-les concrètement. Le module "re" fournit une interface pour
le moteur de correspondance, ce qui permet de compiler les RE en
objets et d'effectuer des correspondances avec.


Compilation des expressions régulières
--------------------------------------

Les expressions régulières sont compilées en objets motifs, qui
possèdent des méthodes pour diverses opérations telles que la
recherche de correspondances ou les substitutions dans les chaînes.

   >>> import re
   >>> p = re.compile('ab*')
   >>> p
   re.compile('ab*')

"re.compile()" accepte aussi une option *flags*, utilisée pour activer
des fonctionnalités particulières et des variations de syntaxe. Nous
étudierons la définition des variables plus tard et, pour l'instant,
un seul exemple suffit :

   >>> p = re.compile('ab*', re.IGNORECASE)

La RE passée à "re.compile()" est une chaîne. Les RE sont des chaînes
car les expressions régulières ne font pas partie intrinsèque du
langage Python et aucune syntaxe particulière n'a été créée pour les
exprimer (il existe des applications qui ne nécessitent aucune RE et
il n'a donc aucune raison de grossir les spécifications du langage en
incluant les RE). Ainsi, le module "re" est simplement un module
d'extension en C inclus dans Python, tout comme les modules "socket"
ou "zlib".

Exprimer les RE comme des chaînes de caractères garde le langage
Python plus simple mais introduit un inconvénient qui fait l'objet de
la section suivante.


La maudite barre oblique inverse
--------------------------------

Comme indiqué précédemment, les expressions régulières utilisent la
barre oblique inverse (*backslash* en anglais) pour indiquer des
constructions particulières ou pour autoriser des caractères spéciaux
sans que leur signification spéciale ne soit invoquée. C'est en
contradiction avec l'usage de Python qui est qu'un caractère doit
avoir la même signification dans les littéraux de chaînes de
caractères.

Considérons que vous voulez écrire une RE qui fait correspondre la
chaîne de caractères "\section" (on en trouve dans un fichier LaTeX).
Pour savoir ce qu'il faut coder dans votre programme, commençons par
la chaîne de caractères cherchée. Ensuite, nous devons échapper chaque
barre oblique inverse et tout autre métacaractère en les précédant
d'une barre oblique inverse, ce qui donne la chaîne de caractères
"\\section". La chaîne résultante qui doit être passée à
"re.compile()" est donc "\\section". Comme nous devons l'exprimer sous
la forme d'une chaîne littérale Python, nous devons échapper les deux
barres obliques inverses *encore une fois*.

+---------------------+--------------------------------------------+
| Caractères          | Niveau                                     |
|=====================|============================================|
| "\section"          | Chaîne de caractère à chercher             |
+---------------------+--------------------------------------------+
| "\\section"         | Barre oblique inverse échappée pour        |
|                     | "re.compile()"                             |
+---------------------+--------------------------------------------+
| ""\\\\section""     | Barres obliques inverses échappées pour un |
|                     | littéral de chaîne de caractères           |
+---------------------+--------------------------------------------+

Pour faire court, si vous cherchez une correspondance pour une barre
oblique inverse littérale, écrivez "'\\\\'" dans votre chaîne RE, car
l'expression régulière doit être "\\" et que chaque barre oblique
inverse doit être exprimée comme "\\" dans un littéral chaîne de
caractères Python. Dans les RE qui comportent plusieurs barres
obliques inverses, cela conduit à beaucoup de barres obliques inverses
et rend la chaîne résultante difficile à comprendre.

La solution consiste à utiliser les chaînes brutes Python pour les
expressions régulières ; les barres obliques inverses ne sont pas
gérées d'une manière particulière dans les chaînes littérales
préfixées avec "'r'". Ainsi, "r"\n"" est la chaîne de deux caractères
contenant "'\'" et "'n'" alors que ""\n"" est la chaîne contenant
uniquement le caractère retour à la ligne. Les expressions régulières
sont souvent écrites dans le code Python en utilisant la notation
"chaînes brutes".

En complément, les séquences d'échappement valides dans les
expressions régulières, mais non valides dans les littéraux chaînes
classiques, produisent dorénavant un "DeprecationWarning" et,
possiblement, deviendront une "SyntaxError", ce qui signifie que les
séquences seront invalides si la notation "chaîne brute" ou
l'échappement des barres obliques inverses ne sont pas utilisés.

+---------------------+--------------------+
| Chaîne normale      | Chaîne de          |
|                     | caractères brute   |
|=====================|====================|
| ""ab*""             | "r"ab*""           |
+---------------------+--------------------+
| ""\\\\section""     | "r"\\section""     |
+---------------------+--------------------+
| ""\\w+\\s+\\1""     | "r"\w+\s+\1""      |
+---------------------+--------------------+


Recherche de correspondances
----------------------------

Une fois que nous avons un objet représentant une expression régulière
compilée, qu'en faisons-nous ? Les objets motifs ont plusieurs
méthodes et attributs. Seuls les plus significatifs seront couverts
ici ; consultez la documentation "re" pour la liste complète.

+--------------------+-------------------------------------------------+
| Méthode/Attribut   | Objectif                                        |
|====================|=================================================|
| "match()"          | Détermine si la RE fait correspond dès le début |
|                    | de la chaîne.                                   |
+--------------------+-------------------------------------------------+
| "search()"         | Analyse la chaîne à la recherche d'une position |
|                    | où la RE correspond.                            |
+--------------------+-------------------------------------------------+
| "findall()"        | Trouve toutes les sous-chaînes qui              |
|                    | correspondent à la RE et les renvoie sous la    |
|                    | forme d'une liste.                              |
+--------------------+-------------------------------------------------+
| "finditer()"       | Trouve toutes les sous-chaînes qui              |
|                    | correspondent à la RE et les renvoie sous la    |
|                    | forme d'un *itérateur*.                         |
+--------------------+-------------------------------------------------+

"match()" et "search()" renvoient "None" si aucune correspondance ne
peut être trouvée. Si elles trouvent une correspondance, une instance
d'objet correspondance est renvoyée, contenant les informations
relatives à la correspondance : position de départ et de fin, la sous-
chaîne qui correspond et d'autres informations.

Vous pouvez apprendre leur fonctionnement en expérimentant de manière
interactive avec le module "re". Si vous disposez de "tkinter", vous
pouvez aussi regarder les sources de Tools/demo/redemo.py, un
programme de démonstration inclus dans la distribution Python. Ce
programme vous permet de rentrer des RE et des chaînes, affichant si
la RE correspond ou pas. "redemo.py" peut s'avérer particulièrement
utile quand vous devez déboguer une RE compliquée.

Ce guide utilise l'interpréteur standard de Python pour ses exemples.
Commencez par lancer l'interpréteur Python, importez le module "re" et
compilez une RE :

   >>> import re
   >>> p = re.compile('[a-z]+')
   >>> p
   re.compile('[a-z]+')

Maintenant, vous pouvez tester des correspondances de la RE "[a-z]+"
avec différentes chaînes. Une chaîne vide ne doit pas correspondre,
puisque "+" indique "une ou plusieurs occurrences". "match()" doit
renvoyer "None" dans ce cas, ce qui fait que l'interpréteur n'affiche
rien. Vous pouvez afficher le résultat de "match()" explicitement pour
que ce soit clair.

   >>> p.match("")
   >>> print(p.match(""))
   None

Maintenant, essayons sur une chaîne qui doit correspondre, par exemple
"tempo". Dans ce cas, "match()" renvoie un objet correspondance, vous
pouvez ainsi stocker le résultat dans une variable pour une
utilisation ultérieure.

   >>> m = p.match('tempo')
   >>> m
   <re.Match object; span=(0, 5), match='tempo'>

Maintenant, vous pouvez interroger l'objet correspondance pour obtenir
des informations sur la chaîne qui correspond. Les instances d'objets
correspondances possèdent plusieurs méthodes et attributs ; les plus
importants sont :

+--------------------+----------------------------------------------+
| Méthode/Attribut   | Objectif                                     |
|====================|==============================================|
| "group()"          | Renvoie la chaîne de caractères              |
|                    | correspondant à la RE                        |
+--------------------+----------------------------------------------+
| "start()"          | Renvoie la position de début de la           |
|                    | correspondance                               |
+--------------------+----------------------------------------------+
| "end()"            | Renvoie la position de fin de la             |
|                    | correspondance                               |
+--------------------+----------------------------------------------+
| "span()"           | Renvoie un *tuple* contenant les positions   |
|                    | (début, fin) de la correspondance            |
+--------------------+----------------------------------------------+

Essayons ces méthodes pour clarifier leur signification :

   >>> m.group()
   'tempo'
   >>> m.start(), m.end()
   (0, 5)
   >>> m.span()
   (0, 5)

"group()" renvoie la sous-chaîne qui correspond à la RE. "start()" et
"end()" renvoient les indices de début et de fin de la correspondance.
"span()" renvoie les indices de début et de fin dans un seul *tuple*.
Comme la méthode "match()" ne fait que vérifier si la RE correspond au
début de la chaîne, "start()" vaut toujours zéro. Cependant, la
méthode "search()" d'un motif analyse toute la chaîne, afin de trouver
une correspondance potentielle qui ne commence pas à zéro.

   >>> print(p.match('::: message'))
   None
   >>> m = p.search('::: message'); print(m)
   <re.Match object; span=(4, 11), match='message'>
   >>> m.group()
   'message'
   >>> m.span()
   (4, 11)

Dans les programmes réels, la façon de faire la plus courante consiste
à stocker l'objet correspondance dans une variable, puis à vérifier
s'il vaut "None". Généralement, cela ressemble à ceci :

   p = re.compile( ... )
   m = p.match( 'string goes here' )
   if m:
       print('Match found: ', m.group())
   else:
       print('No match')

Deux méthodes de motifs renvoient toutes les correspondances pour un
motif. "findall()" renvoie une liste des chaînes qui correspondent :

   >>> p = re.compile(r'\d+')
   >>> p.findall('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
   ['12', '11', '10']

Le préfixe "r", qui indique une chaîne brute littérale, est nécessaire
dans cet exemple car les séquences d'échappement dans une chaîne
littérale qui ne sont pas reconnues par Python, alors qu'elles le sont
par les expressions régulières, induisent maintenant un
"DeprecationWarning" et deviendront possiblement des "SyntaxError".
Reportez-vous à La maudite barre oblique inverse.

"findall()" doit créer la liste entière avant d'être renvoyé comme
résultat. La méthode "finditer()" renvoie une séquence d'instances
d'objets correspondances en tant *qu'itérateur* :

   >>> iterator = p.finditer('12 drummers drumming, 11 ... 10 ...')
   >>> iterator  
   <callable_iterator object at 0x...>
   >>> for match in iterator:
   ...     print(match.span())
   ...
   (0, 2)
   (22, 24)
   (29, 31)


Fonctions de niveau module
--------------------------

Vous n'avez pas besoin de créer un objet motif et d'appeler ses
méthodes ; le module "re" fournit des fonctions à son niveau, ce sont
"match()", "search()", "findall()", "sub()" et ainsi de suite. Ces
fonctions prennent les mêmes arguments que les méthodes
correspondantes des objets motifs, avec la chaîne RE ajoutée en tant
que premier argument. Elles renvoient toujours "None" ou une instance
d'objet correspondance.

   >>> print(re.match(r'From\s+', 'Fromage amk'))
   None
   >>> re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')  
   <re.Match object; span=(0, 5), match='From '>

En interne, ces fonctions créent simplement un objet motif pour vous
et appellent la méthode appropriée de cet objet. Elles stockent
également l'objet compilé dans un cache afin que les appels suivants
qui utilisent la même RE n'aient pas besoin d'analyser le motif une
nouvelle fois.

Devez-vous utiliser ces fonctions au niveau des modules ou devez-vous
calculer le motif et appeler vous-même ses méthodes ? Si vous utilisez
l'expression régulière à l'intérieur d'une boucle, la pré-compilation
permet d'économiser quelques appels de fonctions. En dehors des
boucles, il n'y a pas beaucoup de différence grâce au cache interne.


Options de compilation
----------------------

Les options de compilation vous permettent de modifier le comportement
des expressions régulières. Ces options sont accessibles dans le
module "re" par deux noms, un long du type "IGNORECASE" et un court
(une seule lettre) tel que "I" (si vous êtes habitués aux
modificateurs de motifs Perl, la version courte utilise les mêmes
lettres que Perl, par exemple la version courte de "re.VERBOSE" est
"re.X"). Plusieurs options peuvent être spécifiées en appliquant
l'opérateur bit-à-bit *OR* ; par exemple, "re.I | re.M" active à la
fois les options "I" et "M".

Vous trouvez ci-dessous le tableau des options disponibles, suivies
d'explications détaillées.

+-----------------------------------+----------------------------------------------+
| Option                            | Signification                                |
|===================================|==============================================|
| "ASCII", "A"                      | Transforme plusieurs échappements tels que   |
|                                   | "\w", "\b", "\s" et "\d" de manière à ce     |
|                                   | qu'ils ne correspondent qu'à des caractères  |
|                                   | ASCII ayant la propriété demandée.           |
+-----------------------------------+----------------------------------------------+
| "DOTALL", "S"                     | Fait en sorte que "." corresponde à          |
|                                   | n'importe quel caractère, caractère de       |
|                                   | retour à la ligne inclus.                    |
+-----------------------------------+----------------------------------------------+
| "IGNORECASE", "I"                 | Recherche une correspondance sans tenir      |
|                                   | compte de la casse.                          |
+-----------------------------------+----------------------------------------------+
| "LOCALE", "L"                     | Recherche une correspondance en tenant       |
|                                   | compte de la configuration de la région.     |
+-----------------------------------+----------------------------------------------+
| "MULTILINE", "M"                  | Correspondance multi-lignes, affecte "^" et  |
|                                   | "$".                                         |
+-----------------------------------+----------------------------------------------+
| "VERBOSE", "X" (pour *extended*,  | Active les RE verbeuses, qui peuvent être    |
| c.-à-d. étendu en anglais)        | organisées de manière plus propre et         |
|                                   | compréhensible.                              |
+-----------------------------------+----------------------------------------------+

I
IGNORECASE

   Effectue une correspondance insensible à la casse ; les classes de
   caractères et les littéraux de chaînes de caractères ignorent la
   casse pour la correspondance. Par exemple, "[A-Z]" correspond aussi
   aux lettres minuscules. La correspondance Unicode complète
   fonctionne également, sauf si l'option "ASCII" est utilisée pour
   désactiver les correspondances non ASCII. Lorsque les motifs
   Unicode "[a-z]" ou "[A-Z]" sont utilisés en combinaison avec
   l'option "IGNORECASE", ils correspondent avec les 52 lettres ASCII
   et 4 lettres non ASCII supplémentaires : 'İ' (U+0130, lettre I en
   majuscule latine avec un point au-dessus), 'ı' (U+0131, lettre
   minuscule latine i sans point au-dessus), 'ſ' (U+017F, lettre
   minuscule latine longue s) et 'K' (U+212A, signe du Kelvin). "Spam"
   correspond ainsi à "'Spam'", "'spam'", "'spAM'" ou "'ſpam'" (ce
   dernier ne correspond qu'en mode Unicode). Le passage en minuscules
   ne prend pas en compte la configuration de région courante ; elle
   le fait si vous mettez aussi l'option "LOCALE".

L
LOCALE

   Rend "\w", "\W", "\b", "\B" et les correspondances non sensibles à
   la casse dépendants de la configuration de la région courante au
   lieu de la base de données Unicode.

   Les *locales* sont une caractéristique de la bibliothèque C
   destinées à favoriser une programmation qui tient compte des
   différences linguistiques (NdT : nous utilisons *configuration de
   région* dans cette page pour désigner ce concept de la bibliothèque
   C). Par exemple, si vous traitez du texte français, vous souhaitez
   pouvoir écrire "\w+" pour faire correspondre les mots, mais "\w" ne
   correspond qu'à la classe de caractères "[A-Za-za-z]" en octets ;
   cette classe ne correspond pas avec les octets codant "é" ou "ç".
   Si votre système est configuré correctement et que la configuration
   de région est définie sur 'français', certaines fonctions C diront
   à votre programme que l'octet codant "é" doit être considéré comme
   une lettre. Définir l'option "LOCALE" lors de la compilation d'une
   expression régulière fait que l'objet compilé résultant utilise ces
   fonctions C pour "\w" ; c'est plus lent mais cela permet à "\w+" de
   correspondre avec les mots français tel qu'attendu. L'utilisation
   de cette option est déconseillée en Python 3 car le mécanisme de
   locale est très peu fiable, il ne gère qu'une seule "culture" à la
   fois et il ne fonctionne qu'avec des locales 8 bits. La
   correspondance Unicode est déjà activée par défaut dans Python 3
   pour les motifs Unicode (type *str*) et elle est capable de gérer
   différentes configurations de régions.

M
MULTILINE

   Nota : "^" et "$" n'ont pas encore été expliqués ; ils sont
   introduits dans la section Plus de métacaractères.

   Normalement, "^" correspond uniquement au début de la chaîne, et
   "$" correspond uniquement à la fin de la chaîne et immédiatement
   avant la nouvelle ligne (s'il y en a une) à la fin de la chaîne.
   Lorsque cette option est spécifiée, "^" correspond au début de la
   chaîne de caractères et au début de chaque ligne de la chaîne de
   caractères, immédiatement après le début de la nouvelle ligne. De
   même, le métacaractère "$" correspond à la fin de la chaîne de
   caractères ou à la fin de chaque ligne (précédant immédiatement
   chaque nouvelle ligne).

S
DOTALL

   Fait que le caractère spécial "'.'" corresponde avec n'importe quel
   caractère, y compris le retour à la ligne ; sans cette option,
   "'.'" correspond avec tout, *sauf* le retour à la ligne.

A
ASCII

   Fait que "\w", "\W", "\b", "\B", "\s" et "\S" ne correspondent
   qu'avec des caractères ASCII au lieu de l'ensemble des caractères
   Unicode. Cette option n'a de sens que pour des motifs Unicode, elle
   est ignorée pour les motifs *bytes*.

X
VERBOSE

   Cette option vous permet d'écrire des expressions régulières plus
   lisibles en vous permettant plus de flexibilité pour le formatage.
   Lorsque cette option est activée, les "blancs" dans la chaîne RE
   sont ignorés, sauf lorsque le "blanc" se trouve dans une classe de
   caractères ou est précédé d'une barre oblique inverse ; ceci vous
   permet d'organiser et d'indenter vos RE plus clairement. Cette
   option vous permet également de placer des commentaires dans une
   RE, ils seront ignorés par le moteur ; les commentaires commencent
   par un "'#'" qui n'est ni dans une classe de caractères, ni précédé
   d'une barre oblique inverse.

   Par exemple, voici une RE qui utilise "re.VERBOSE" ; vous pouvez
   constater qu'elle est beaucoup plus facile à lire

      charref = re.compile(r"""
       &[#]                # Start of a numeric entity reference
       (
           0[0-7]+         # Octal form
         | [0-9]+          # Decimal form
         | x[0-9a-fA-F]+   # Hexadecimal form
       )
       ;                   # Trailing semicolon
      """, re.VERBOSE)

   Sans l'option verbeuse, cette RE ressemble à ceci :

      charref = re.compile("&#(0[0-7]+"
                           "|[0-9]+"
                           "|x[0-9a-fA-F]+);")

   Dans l'exemple ci-dessus, Python concatène automatiquement les
   littéraux chaînes de caractères qui ont été utilisés pour séparer
   la RE en petits morceaux, mais la RE reste plus difficile à
   comprendre que sa version utilisant "re.VERBOSE".


Des motifs plus puissants
=========================

Jusqu'à présent nous avons seulement couvert une partie des
fonctionnalités des expressions régulières. Dans cette section, nous
couvrirons quelques nouveaux métacaractères et l'utilisation des
groupes pour récupérer des portions de textes correspondantes.


Plus de métacaractères
----------------------

Nous n'avons pas encore couvert tous les métacaractères. Cette section
traite de la plupart de ceux que nous n'avons pas abordés.

Certains métacaractères restants sont des *assertions de largeur zéro*
(*zero-width assertions* en anglais). Ils ne font pas avancer le
moteur dans la chaîne de caractères ; ils ne consomment aucun
caractère et ils réussissent ou échouent tout simplement. Par exemple,
"\b" est une assertion selon laquelle la position actuelle est située
à la limite d'un mot ; la position n'est pas modifiée par le " b ".
Cela signifie que les assertions de largeur zéro ne doivent pas être
répétées car, si elles correspondent à un endroit donné, elles
correspondent automatiquement un nombre infini de fois.

"|"
   Union ensembliste ou opérateur "ou". Si *A* et *B* sont des
   expressions régulières, "A|B" correspond à toute chaine qui
   correspond à A ou à B. La priorité de "|" est très faible afin de
   pouvoir effectuer simplement des unions de chaînes de plusieurs
   caractères. "Crow|Servo" correspond avec "'Crow'" ou "'Servo'",
   mais pas avec "'Cro'", un "'w'" ou un "'S'", ou encore "'ervo'".

   Pour correspondre avec un "'|'" littéral, utilisez "\|" ou placez-
   le dans une classe de caractères, comme ceci "[|]".

"^"
   Correspond à un début de ligne. À moins que l'option "MULTILINE" ne
   soit activée, cela ne fait correspondre que le début de la chaîne.
   Dans le mode "MULTILINE", cela fait aussi correspondre
   immédiatement après chaque nouvelle ligne à l'intérieur de la
   chaîne.

   Par exemple, si vous voulez trouver le mot "From" uniquement quand
   il est en début de ligne, la RE à utiliser est "^From".

      >>> print(re.search('^From', 'From Here to Eternity'))  
      <re.Match object; span=(0, 4), match='From'>
      >>> print(re.search('^From', 'Reciting From Memory'))
      None

   Pour trouver un "'^'" littéral, utilisez "\^".

"$"
   Correspond à une fin de ligne, ce qui veut dire soit la fin de la
   chaîne, soit tout emplacement qui est suivi du caractère de
   nouvelle ligne.

      >>> print(re.search('}$', '{block}'))  
      <re.Match object; span=(6, 7), match='}'>
      >>> print(re.search('}$', '{block} '))
      None
      >>> print(re.search('}$', '{block}\n'))  
      <re.Match object; span=(6, 7), match='}'>

   Pour trouver un "'$'" littéral, utilisez "\$" ou placez-le à
   l'intérieur d'une classe de caractères, comme ceci "[$]".

"\A"
   Correspond au début de la chaîne de caractère, uniquement. Si
   l'option "MULTILINE" n'est pas activée, "\A" et "^" sont
   équivalents. Dans le mode "MULTILINE", ils sont différents : "\A"
   ne correspond toujours qu'au début de la chaîne alors que "^"
   correspond aussi aux emplacements situés immédiatement après une
   nouvelle ligne à l'intérieur de la chaîne.

"\Z"
   Correspond uniquement à la fin d'une chaîne de caractères.

"\b"
   Limite de mot. C'est une assertion de largeur zéro qui correspond
   uniquement aux positions de début et de fin de mot. Un mot est
   défini comme une séquence de caractères alphanumériques ; ainsi, la
   fin d'un mot est indiquée par un "blanc" ou un caractère non-
   alphanumérique.

   L'exemple suivant fait correspondre "class" seulement si c'est un
   mot complet ; il n'y a pas de correspondance quand il est à
   l'intérieur d'un autre mot.

      >>> p = re.compile(r'\bclass\b')
      >>> print(p.search('no class at all'))
      <re.Match object; span=(3, 8), match='class'>
      >>> print(p.search('the declassified algorithm'))
      None
      >>> print(p.search('one subclass is'))
      None

   Quand vous utilisez cette séquence spéciale, gardez deux choses à
   l'esprit. Tout d'abord, c'est la pire collision entre les littéraux
   des chaînes Python et les séquences d'expressions régulières.  Dans
   les littéraux de chaîne de caractères Python, "\b`" est le
   caractère de retour-arrière (*backspace* en anglais), dont la
   valeur ASCII est 8.  Si vous n'utilisez pas les chaînes de
   caractères brutes, alors Python convertit le "\b" en retour-
   arrière, et votre RE ne correspond pas à ce que vous attendez.
   L'exemple suivant ressemble à notre RE précédente, mais nous avons
   omis le "`'r'" devant la chaîne RE.

      >>> p = re.compile('\bclass\b')
      >>> print(p.search('no class at all'))
      None
      >>> print(p.search('\b' + 'class' + '\b'))
      <re.Match object; span=(0, 7), match='\x08class\x08'>

   Ensuite, dans une classe de caractères, où cette assertion n'a pas
   lieu d'être, "\b" représente le caractère retour-arrière, afin
   d'être compatible avec les littéraux de chaînes de caractères.

"\B"
   Encore une assertion de largeur zéro, qui est l'opposée de "\b",
   c'est-à-dire qu'elle fait correspondre uniquement les emplacements
   qui ne sont pas à la limite d'un mot.


Regroupement
------------

Souvent, vous avez besoin d'obtenir plus d'informations que le simple
fait que la RE corresponde ou non. Ainsi, les expressions régulières
sont souvent utilisées pour analyser des chaînes de caractères en
écrivant une RE qui divise une chaîne en plusieurs sous-groupes,
correspondant chacun à une information particulière. Par exemple, une
ligne d'en-tête RFC-822 peut se diviser en un nom d'en-tête et une
valeur associée, séparés par un "':'", comme ceci :

   From: author@example.com
   User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
   MIME-Version: 1.0
   To: editor@example.com

Vous pouvez alors écrire une expression régulière qui fait
correspondre une ligne d'en-tête entière et qui comporte un groupe
correspondant au nom de l'en-tête, et un autre groupe correspondant à
la valeur de l'en-tête.

Les groupes sont délimités par les métacaractères marqueurs "'('``et
``')'". "'('" et "')'" ont à peu près le même sens que dans les
expressions mathématiques ; ils forment un groupe à partir des
expressions qu'ils encadrent ; vous pouvez répéter le contenu d'un
groupe à l'aide d'un quantificateur, comme "*", "+", "?" ou "{m,n}".
Par exemple, "(ab)*" correspond à zéro, une ou plusieurs fois "ab".

   >>> p = re.compile('(ab)*')
   >>> print(p.match('ababababab').span())
   (0, 10)

Les groupes délimités par "'('``et ``')'" capturent également les
indices de début et de fin du texte avec lequel ils correspondent ;
ces indices peuvent être récupérés en passant un argument à "group()",
"start()", "end()" ou "span()". Les groupes sont numérotés à partir de
0, le groupe 0 est toujours présent ; c'est l'ensemble de la RE, donc
les méthodes de l'objet correspondance ont le groupe 0 comme argument
par défaut. Plus loin, nous voyons comment exprimer les groupes qui ne
capturent pas l'étendue du texte avec lequel ils correspondent.

   >>> p = re.compile('(a)b')
   >>> m = p.match('ab')
   >>> m.group()
   'ab'
   >>> m.group(0)
   'ab'

Les sous-groupes sont numérotés de la gauche vers la droite, à partir
de 1. Les groupes peuvent être imbriqués ; pour déterminer le numéro,
il vous suffit de compter le nombre de parenthèses ouvrantes de la
gauche vers la droite.

   >>> p = re.compile('(a(b)c)d')
   >>> m = p.match('abcd')
   >>> m.group(0)
   'abcd'
   >>> m.group(1)
   'abc'
   >>> m.group(2)
   'b'

Vous pouvez passer plusieurs numéros de groupes à "group()" en même
temps, elle vous renvoie alors un *tuple* contenant les valeurs
correspondantes pour ces groupes.

   >>> m.group(2,1,2)
   ('b', 'abc', 'b')

La méthode  "groups()" renvoie un *tuple* contenant les chaînes pour
tous les sous-groupes, en commençant par le numéro 1 jusqu'au dernier.

   >>> m.groups()
   ('abc', 'b')

Les renvois dans un motif vous permettent de spécifier que le contenu
d'un groupe précédent doit aussi être trouvé à l'emplacement actuel
dans la chaîne. Par exemple, "\1" réussit si le contenu du premier
groupe se trouve aussi à la position courante, sinon il échoue.
Rappelez-vous que les littéraux de chaînes Python utilisent aussi la
barre oblique inverse suivie d'un nombre pour insérer des caractères
arbitraires dans une chaîne ; soyez sûr d'utiliser une chaîne brute
quand vous faites des renvois dans une RE.

Par exemple, la RE suivante détecte les mots doublés dans une chaîne.

   >>> p = re.compile(r'\b(\w+)\s+\1\b')
   >>> p.search('Paris in the the spring').group()
   'the the'

Les renvois tels que celui-ci ne sont pas très utiles pour effectuer
une simple recherche dans une chaîne --- il n'y a que peu de formats
de textes qui répètent des données ainsi --- mais vous verrez bientôt
qu'ils sont *très* utiles pour effectuer des substitutions dans les
chaînes.


Groupes non de capture et groupes nommés
----------------------------------------

Les RE élaborées peuvent utiliser de nombreux groupes, à la fois pour
capturer des sous-chaînes intéressantes ainsi que pour regrouper et
structurer la RE elle-même. Dans les RE complexes, il devient
difficile de garder la trace des numéros de groupes. Deux
caractéristiques aident à résoudre ce problème, toutes deux utilisant
la même syntaxe d'extension des expressions régulières. Nous allons
donc commencer en examinant cette syntaxe.

Les puissantes extensions des expressions régulières de Perl 5 sont
réputées. Pour les mettre en œuvre, les développeurs Perl ne pouvaient
pas utiliser de nouveaux métacaractères simples ou de nouvelles
séquences commençant par "\" sans que les RE Perl ne deviennent trop
différentes des RE standards au point de créer de la confusion. S'ils
avaient choisi "&" comme nouveau métacaractère, par exemple, les
expressions déjà écrites auraient considéré que "&" était un caractère
standard et ne l'aurait pas échappé en écrivant "\&" ou "[&]".

La solution adoptée par les développeurs Perl a été d'utiliser
"(?...)" comme syntaxe d'extension. Placer "?" immédiatement après une
parenthèse était une erreur de syntaxe, parce que le "?" n'a alors
rien à répéter. Ainsi, cela n'a pas introduit de problème de
compatibilité. Les caractères qui suivent immédiatement le "?"
indiquent quelle extension est utilisée, donc "(?=truc)" est une chose
(une assertion positive anticipée) et "(?:truc)" est une autre chose
(la sous-expression "truc" que l'on groupe).

Python gère plusieurs des extensions Perl et rajoute une extension à
la syntaxe des extensions Perl. Si le premier caractère après le point
d'interrogation est "P", cela signifie que c'est une extension
spécifique à Python.

Après avoir vu la syntaxe générale d'extension des RE, nous pouvons
revenir aux fonctionnalités qui simplifient le travail avec les
groupes dans des RE complexes.

Parfois, vous souhaitez utiliser un groupe pour marquer une partie de
l'expression régulière mais le contenu de ce groupe ne vous intéresse
pas vraiment. Vous pouvez l'indiquer explicitement en utilisant la
syntaxe de groupe, mais sans indiquer que vous voulez en capturer le
contenu : "(?:...)", où vous remplacez les "..." par n'importe quelle
expression régulière.

   >>> m = re.match("([abc])+", "abc")
   >>> m.groups()
   ('c',)
   >>> m = re.match("(?:[abc])+", "abc")
   >>> m.groups()
   ()

À part le fait que vous n'avez pas accès au contenu du groupe, un
groupe se comporte exactement de la même manière qu'un groupe de
capture ; vous pouvez placer n'importe quoi dedans, spécifier une
répétition avec un métacaractère tel que "*" et l'imbriquer dans un
autre groupe (de capture ou pas). "(?:...)" est particulièrement utile
quand vous modifiez des motifs existants, puisque vous pouvez ajouter
de nouveaux groupes sans changer la façon dont les autres groupes sont
numérotés. Nous devons mentionner ici qu'il n'y a aucune différence de
performance dans la recherche de groupes, de capture ou non ; les deux
formes travaillent à la même vitesse.

Une fonctionnalité plus importante est le nommage des groupes : au
lieu d'y faire référence par des nombres, vous pouvez référencer des
groupes par leur nom.

La syntaxe pour nommer les groupes est l'une des extensions
spécifiques à Python : "(?P<nom>....)`". *nom* est, vous vous en
doutez, le nom du groupe. Les groupes nommés se comportent exactement
comme des groupes de capture, sauf qu'ils associent en plus un nom à
un groupe. Les méthodes des objets correspondances qui gèrent les
groupes de capture acceptent soit des entiers qui font référence aux
numéros des groupes, soit des chaînes de caractères qui désignent les
noms des groupes désirés. Les groupes nommés se voient toujours
attribuer un numéro, vous pouvez ainsi récupérer les informations d'un
groupe de deux façons :

   >>> p = re.compile(r'(?P<word>\b\w+\b)')
   >>> m = p.search( '(((( Lots of punctuation )))' )
   >>> m.group('word')
   'Lots'
   >>> m.group(1)
   'Lots'

De plus, vous pouvez récupérer les groupes nommés comme dictionnaire
avec "groupdict()" :

   >>> m = re.match(r'(?P<first>\w+) (?P<last>\w+)', 'Jane Doe')
   >>> m.groupdict()
   {'first': 'Jane', 'last': 'Doe'}

Les groupes nommés sont pratiques car il est plus facile de se
rappeler un nom qu'un numéro. Voici un exemple de RE tirée du module
"imaplib" :

   InternalDate = re.compile(r'INTERNALDATE "'
           r'(?P<day>[ 123][0-9])-(?P<mon>[A-Z][a-z][a-z])-'
           r'(?P<year>[0-9][0-9][0-9][0-9])'
           r' (?P<hour>[0-9][0-9]):(?P<min>[0-9][0-9]):(?P<sec>[0-9][0-9])'
           r' (?P<zonen>[-+])(?P<zoneh>[0-9][0-9])(?P<zonem>[0-9][0-9])'
           r'"')

Il est évidemment plus facile de récupérer "m.group('zonem')" que de
se rappeler de récupérer le groupe 9.

La syntaxe des renvois dans une expression telle que "(....)\1" fait
référence au numéro du groupe. Il y a naturellement une variante qui
utilise le nom du groupe au lieu du numéro. C'est une autre extension
Python : "(?P=nom)" indique que le contenu du groupe appelé *nom* doit
correspondre à nouveau avec l'emplacement courant. L'expression
régulière pour trouver des mots doublés, "\b(\w+)\s+\1\b" peut ainsi
être ré-écrite en "\b(?P<mot>\w+)\s+(?P=mot)\b" :

   >>> p = re.compile(r'\b(?P<word>\w+)\s+(?P=word)\b')
   >>> p.search('Paris in the the spring').group()
   'the the'


Assertions prédictives
----------------------

Une autre assertion de largeur zéro est l'assertion prédictive. Une
assertion prédictive peut s'exprimer sous deux formes, la positive et
la négative, comme ceci :

"(?=...)"
   Assertion prédictive positive. Elle réussit si l'expression
   régulière contenue, représentée ici par  "...", correspond
   effectivement à l'emplacement courant ; dans le cas contraire, elle
   échoue. Mais, une fois que l'expression contenue a été essayée, le
   moteur de correspondance n'avance pas ; le reste du motif est testé
   à l'endroit même où l'assertion a commencé.

"(?!...)"
   Assertion prédictive négative. C'est l'opposée de l'assertion
   positive ; elle réussit si l'expression régulière contenue *ne*
   correspond *pas* à l'emplacement courant dans la chaine.

Pour rendre ceci plus concret, regardons le cas où une prédiction est
utile. Considérons un motif simple qui doit faire correspondre un nom
de fichier et le diviser en un nom de base et une extension, séparés
par un ".". Par exemple, dans "news.rc", "news" est le nom de base et
"rc" est l'extension du nom de fichier.

Le motif de correspondance est plutôt simple :

".*[.].*$"

Notez que le "." doit être traité spécialement car c'est un
métacaractère, nous le plaçons donc à l'intérieur d'une classe de
caractères pour ne faire correspondre que ce caractère spécifique.
Notez également le "$" en fin ; nous l'avons ajouté pour nous assurer
que tout le reste de la chaîne est bien inclus dans l'extension. Cette
expression régulière fait correspondre "truc.bar", "autoexec.bat",
"sendmail.cf" et "printers.conf".

Maintenant, compliquons un peu le problème ; si nous voulons faire
correspondre les noms de fichiers dont l'extension n'est pas "bat" ?
voici quelques tentatives incorrectes :

".*[.][^b].*$" Le premier essai ci-dessus tente d'exclure "bat" en
spécifiant que le premier caractère de l'extension ne doit pas être
"b". Cela ne fonctionne pas, car le motif n'accepte pas "truc.bar".

".*[.]([^b]..|.[^a].|..[^t])$"

L'expression devient plus confuse si nous essayons de réparer la
première solution en spécifiant l'un des cas suivants : le premier
caractère de l'extension n'est pas "b" ; le deuxième caractère n'est
pas "a" ; ou le troisième caractère n'est pas "t`". Ce motif accepte
"truc.bar" et rejette "autoexec.bat", mais elle nécessite une
extension de trois lettres et n'accepte pas un nom de fichier avec une
extension de deux lettres comme "sendmail.cf". Compliquons encore une
fois le motif pour essayer de le réparer.

".*[.]([^b].?.?|.[^a]?.?|..?[^t]?)$"

Pour cette troisième tentative, les deuxième et troisième lettres sont
devenues facultatives afin de permettre la correspondance avec des
extensions plus courtes que trois caractères, comme "sendmail.cf".

Le motif devient vraiment compliqué maintenant, ce qui le rend
difficile à lire et à comprendre. Pire, si le problème change et que
vous voulez exclure à la fois "bat" et "exe" en tant qu'extensions, le
modèle deviendra encore plus compliqué et confus.

Une assertion prédictive négative supprime toute cette confusion :

".*[.](?!bat$)[^.]*$" Cette assertion prédictive négative signifie :
si l'expression "bat" ne correspond pas à cet emplacement, essaie le
reste du motif ; si "bat$" correspond, tout le motif échoue. Le "$"
est nécessaire pour s'assurer que quelque chose comme "sample.batch",
où c'est seulement le début de l'extension qui vaut "bat", est
autorisé. Le "[^...]*" s'assure que le motif fonctionne lorsqu'il y a
plusieurs points dans le nom de fichier.

Exclure une autre extension de nom de fichier est maintenant facile ;
il suffit de l'ajouter comme alternative à l'intérieur de l'assertion.
Le motif suivant exclut les noms de fichiers qui se terminent par
"bat" ou "exe" :

".*[.](?!bat$|exe$)[^.]*$"


Modification de chaînes
=======================

Jusqu'à présent, nous avons simplement effectué des recherches dans
une chaîne statique. Les expressions régulières sont aussi couramment
utilisées pour modifier les chaînes de caractères de diverses
manières, en utilisant les méthodes suivantes des motifs :

+--------------------+-------------------------------------------------+
| Méthode/Attribut   | Objectif                                        |
|====================|=================================================|
| "split()"          | Découpe la chaîne de caractère en liste, la     |
|                    | découpant partout où la RE correspond           |
+--------------------+-------------------------------------------------+
| "sub()"            | Recherche toutes les sous-chaînes de caractères |
|                    | où la RE correspond et les substitue par une    |
|                    | chaîne de caractères différente                 |
+--------------------+-------------------------------------------------+
| "subn()"           | Fait la même chose que "sub()",  mais renvoie   |
|                    | la nouvelle chaîne et le nombre de              |
|                    | remplacements effectués                         |
+--------------------+-------------------------------------------------+


Découpage de chaînes
--------------------

La méthode "split()" d'un motif divise une chaîne de caractères à
chaque fois que la RE correspond, retournant la liste des morceaux.
C'est similaire à la méthode "split()" mais est beaucoup plus générale
par les délimiteurs que vous pouvez spécifier ; la méthode  "split()"
du type *string* ne gère que les découpages en suivant les "blancs" ou
suivant une chaîne définie. Comme vous pouvez vous y attendre, il y a
aussi une fonction "re.split()" de niveau module.

.split(string[, maxsplit=0])

   Découpe *string* en suivant les correspondances de l'expression
   régulière. Si des parenthèses de capture sont utilisées dans la RE,
   leur contenu est également renvoyé dans la liste résultante. Si
   *maxsplit* n'est pas nul, au plus *maxsplit* découpages sont
   effectués.

Vous pouvez limiter le nombre de découpages effectués en passant une
valeur pour *maxsplit*. Quand *maxsplit* n'est pas nul, au plus
*maxsplit* découpages sont effectués et le reste de la chaîne est
renvoyé comme dernier élément de la liste. Dans l'exemple suivant, le
délimiteur est toute séquence de caractères non alphanumériques.

   >>> p = re.compile(r'\W+')
   >>> p.split('This is a test, short and sweet, of split().')
   ['This', 'is', 'a', 'test', 'short', 'and', 'sweet', 'of', 'split', '']
   >>> p.split('This is a test, short and sweet, of split().', 3)
   ['This', 'is', 'a', 'test, short and sweet, of split().']

Parfois, vous voulez récupérer le texte entre les délimiteurs mais
aussi quel était le délimiteur. Si des parenthèses de capture sont
utilisées dans la RE, leurs valeurs sont également renvoyées dans la
liste. Comparons les appels suivants :

   >>> p = re.compile(r'\W+')
   >>> p2 = re.compile(r'(\W+)')
   >>> p.split('This... is a test.')
   ['This', 'is', 'a', 'test', '']
   >>> p2.split('This... is a test.')
   ['This', '... ', 'is', ' ', 'a', ' ', 'test', '.', '']

La fonction de niveau module "re.split()" ajoute la RE à utiliser
comme premier argument, mais est par ailleurs identique.

   >>> re.split(r'[\W]+', 'Words, words, words.')
   ['Words', 'words', 'words', '']
   >>> re.split(r'([\W]+)', 'Words, words, words.')
   ['Words', ', ', 'words', ', ', 'words', '.', '']
   >>> re.split(r'[\W]+', 'Words, words, words.', 1)
   ['Words', 'words, words.']


Recherche et substitution
-------------------------

Une autre tâche classique est de trouver toutes les correspondances
d'un motif et de les remplacer par une autre chaîne. La méthode
"sub()" prend une valeur de substitution, qui peut être une chaîne de
caractères ou une fonction, et la chaîne à traiter.

.sub(replacement, string[, count=0])

   Renvoie la chaîne obtenue en remplaçant les occurrences sans
   chevauchement les plus à gauche de la RE dans *string* par la
   substitution *replacement*. Si le motif n'est pas trouvé, *string*
   est renvoyée inchangée.

   L'argument optionnel *count* est le nombre maximum d'occurrences du
   motif à remplacer ; *count* doit être un entier positif ou nul. La
   valeur par défaut de 0 signifie qu'il faut remplacer toutes les
   occurrences.

Voici un exemple simple utilisant la méthode "sub()". Nous remplaçons
les noms des couleurs par le mot "colour" :

   >>> p = re.compile('(blue|white|red)')
   >>> p.sub('colour', 'blue socks and red shoes')
   'colour socks and colour shoes'
   >>> p.sub('colour', 'blue socks and red shoes', count=1)
   'colour socks and red shoes'

La méthode "subn()" fait la même chose mais renvoie un couple
contenant la nouvelle valeur de la chaîne de caractères et le nombre
de remplacements effectués :

   >>> p = re.compile('(blue|white|red)')
   >>> p.subn('colour', 'blue socks and red shoes')
   ('colour socks and colour shoes', 2)
   >>> p.subn('colour', 'no colours at all')
   ('no colours at all', 0)

Les correspondances vides ne sont remplacées que lorsqu'elles ne sont
pas adjacentes à une correspondance vide précédente.

   >>> p = re.compile('x*')
   >>> p.sub('-', 'abxd')
   '-a-b--d-'

Si *replacement* est une chaîne de caractères, toute barre oblique
inverse d'échappement est traitée.  C'est-à-dire que "`\n" est
converti en caractère de nouvelle ligne, "\r" est converti en retour
chariot, et ainsi de suite. Les échappements inconnus comme "\&" sont
laissés tels quels. Les renvois, tels que "\6", sont remplacés par la
sous-chaîne correspondante au groupe dans le RE. Ceci vous permet
d'incorporer des parties du texte original dans la chaîne de
remplacement résultante.

Cet exemple fait correspondre le mot "section" suivi par une chaîne
encadrée par  "{" et "}", et modifie "section" en "subsection" :

   >>> p = re.compile('section{ ( [^}]* ) }', re.VERBOSE)
   >>> p.sub(r'subsection{\1}','section{First} section{second}')
   'subsection{First} subsection{second}'

Il existe aussi une syntaxe pour faire référence aux groupes nommés
définis par la syntaxe "(?P<nom>....)". "\g<nom>" utilise la sous-
chaîne correspondante au groupe nommé "nom" et "\g<numéro>" utilise le
numéro de groupe correspondant. "\g<2>" est donc l'équivalent de "\2",
mais n'est pas ambigu dans une chaîne de substitution telle que
"\g<2>0" ("\20" serait interprété comme une référence au groupe 20 et
non comme une référence au groupe 2 suivie du caractère littéral
"'0'"). Les substitutions suivantes sont toutes équivalentes mais
utilisent les trois variantes de la chaîne de remplacement.

   >>> p = re.compile('section{ (?P<name> [^}]* ) }', re.VERBOSE)
   >>> p.sub(r'subsection{\1}','section{First}')
   'subsection{First}'
   >>> p.sub(r'subsection{\g<1>}','section{First}')
   'subsection{First}'
   >>> p.sub(r'subsection{\g<name>}','section{First}')
   'subsection{First}'

*replacement* peut aussi être une fonction, ce qui vous donne encore
plus de contrôle. Si *replacement* est une fonction, la fonction est
appelée pour chaque occurrence non chevauchante de *pattern*. À chaque
appel, un argument objet correspondance est passé à la fonction, qui
peut utiliser cette information pour calculer la chaîne de
remplacement désirée et la renvoyer.

Dans l'exemple suivant, la fonction de substitution convertit un
nombre décimal en hexadécimal :

   >>> def hexrepl(match):
   ...     "Return the hex string for a decimal number"
   ...     value = int(match.group())
   ...     return hex(value)
   ...
   >>> p = re.compile(r'\d+')
   >>> p.sub(hexrepl, 'Call 65490 for printing, 49152 for user code.')
   'Call 0xffd2 for printing, 0xc000 for user code.'

Quand vous utilisez la fonction de niveau module "re.sub()", le motif
est passé comme premier argument. Vous pouvez fournir le motif sous
forme d'objet ou de chaîne de caractères ; si vous avez besoin de
spécifier des options pour l'expression régulière, vous devez soit
utiliser un objet motif comme premier paramètre, soit utiliser des
modificateurs intégrés dans la chaîne de caractères, par exemple
"sub("(?i)b+", "x", "bbbb BBBBB")```renvoie ``'x x'".


Problèmes classiques
====================

Les expressions régulières constituent un outil puissant pour
certaines applications mais, à certains égards, leur comportement
n'est pas intuitif et, parfois, elles ne se comportent pas comme vous
pouvez vous y attendre.  Cette section met en évidence certains des
pièges les plus courants.


Utilisez les méthodes du type *string*
--------------------------------------

Parfois, il ne faut pas utiliser le module "re". Si vous faites
correspondre une chaîne fixe, ou une classe à un seul caractère, et
que vous n'utilisez pas les fonctionnalités de "re" telles que
l'option "IGNORECASE", alors la puissance des expressions régulières
n'est pas nécessaire. Les chaînes de caractères ont plusieurs méthodes
pour opérer sur des chaînes fixes et elles sont généralement beaucoup
plus rapides, parce que l'implémentation est une seule petite boucle C
qui a été optimisée, au lieu du gros moteur d'expressions régulières
plus généraliste.

Nous pouvons prendre l'exemple du remplacement d'une seule chaîne fixe
par une autre ; vous souhaitez remplacer "mot" par "acte". "re.sub()"
semble être faite pour cela, mais regardons la méthode "replace()".
Notons que "replace()" remplace aussi "mot" à l'intérieur des mots,
transformant "moteur" en "acteeur", mais la RE naïve "mot" aurait
aussi fait cela (pour éviter d'effectuer la substitution sur des
parties de mots, le motif doit être "\bmot\b", qui exige que "mot"
soit en limite de mot d'un côté et de l'autre ; c'est au-delà des
capacités de la méthode "replace()").

Une autre tâche classique est de supprimer chaque occurrence d'un seul
caractère d'une chaîne de caractères ou de le remplacer par un autre
caractère unique. Vous pouvez le faire avec quelque chose comme
"re.sub('\n', ' ', S)", mais "translate()" en est capable et est plus
rapide que n'importe quelle opération d'expression régulière.

Bref, avant de passer au module "re", évaluez d'abord si votre
problème peut être résolu avec une méthode de chaîne plus rapide et
plus simple.


*match()* contre *search()*
---------------------------

La fonction "match()" vérifie seulement si la RE correspond au début
de la chaîne de caractères tandis que "search()" parcourt la chaîne de
caractères pour trouver une correspondance. Il est important de garder
cette distinction à l'esprit. Rappelez-vous, "match()" ne trouve
qu'une correspondance qui commence à 0 ; si la correspondance commence
plus loin, "match()" *ne la trouve pas*.

   >>> print(re.match('super', 'superstition').span())
   (0, 5)
   >>> print(re.match('super', 'insuperable'))
   None

D'un autre côté, "search()" balaie la chaîne de caractères, rapportant
la première correspondance qu'elle trouve.

   >>> print(re.search('super', 'superstition').span())
   (0, 5)
   >>> print(re.search('super', 'insuperable').span())
   (2, 7)

Vous pouvez être tenté d'utiliser "re.match()" en ajoutant simplement
".*" au début de votre RE. Ce n'est pas une bonne idée, utilisez
plutôt "re.search()". Le compilateur d'expressions régulières analyse
les REs pour optimiser le processus de recherche d'une correspondance.
Cette analyse permet de déterminer ce que doit être le premier
caractère d'une correspondance ; par exemple, un motif commençant par
"Corbeau" doit faire correspondre un "'C'" en tête. L'analyse permet
au moteur de parcourir rapidement la chaîne de caractères à la
recherche du caractère de départ, n'essayant la correspondance
complète que si un "C" a déjà été trouvé.

Ajouter ".*" annihile cette optimisation, nécessitant un balayage
jusqu'à la fin de la chaîne de caractères, puis un retour en arrière
pour trouver une correspondance pour le reste de la RE. Préférez
l'utilisation "re.search()".


Glouton contre non-glouton
--------------------------

Si vous répétez un motif dans une expression régulière, comme "a*",
l'action résultante est de consommer autant de motifs que possible.
C'est un problème lorsque vous essayez de faire correspondre une paire
de délimiteurs, comme des chevrons encadrant une balise HTML. Le motif
naïf pour faire correspondre une seule balise HTML ne fonctionne pas
en raison de la nature gloutonne de ".*".

   >>> s = '<html><head><title>Title</title>'
   >>> len(s)
   32
   >>> print(re.match('<.*>', s).span())
   (0, 32)
   >>> print(re.match('<.*>', s).group())
   <html><head><title>Title</title>

La RE correspond au "'<'" de "'<html>'" et le ".*`" consomme le reste
de la chaîne. Mais, comme il reste des éléments du motif dans la RE et
que le ">" ne peut pas correspondre à la fin de la chaîne de
caractères, le moteur d'expression régulière doit faire marche arrière
caractère par caractère jusqu'à ce qu'il trouve une correspondance
pour le ">".  La correspondance finale s'étend du "'<'" de "'<html>'"
au "'>'" de "'</title>'", ce qui n'est pas ce que vous voulez.

Dans ce cas, la solution consiste à utiliser des quantificateurs non
gloutons tels que "*?", "+?", "??" ou "{m,n}?", qui effectuent une
correspondance aussi *petite* que possible. Dans l'exemple ci-dessus,
le "'>'" est essayé immédiatement après que le "'<'" corresponde et,
s'il échoue, le moteur avance caractère par caractère, ré-essayant
"'>'" à chaque pas. Nous obtenons alors le bon résultat :

   >>> print(re.match('<.*?>', s).group())
   <html>

Note : l'analyse du HTML ou du XML avec des expressions régulières est
tout sauf une sinécure. Les motifs écrits à la va-vite traiteront les
cas communs, mais HTML et XML ont des cas spéciaux qui font planter
l'expression régulière évidente ; quand vous aurez écrit une
expression régulière qui traite tous les cas possibles, les motifs
seront *très* compliqués.  Utilisez un module d'analyse HTML ou XML
pour de telles tâches.


Utilisez *re.VERBOSE*
---------------------

À présent, vous vous êtes rendu compte que les expressions régulières
sont une notation très compacte, mais qu'elles ne sont pas très
lisibles. Une RE modérément complexe  peut rapidement devenir une
longue collection de barres obliques inverses, de parenthèses et de
métacaractères, ce qui la rend difficile à lire et à comprendre.

Pour de telles RE, activer l'option "re.VERBOSE" à la compilation de
l'expression régulière peut être utile ; cela vous permet de formater
l'expression régulière de manière plus claire.

L'option "re.VERBOSE" a plusieurs effets. Les espaces dans
l'expression régulière qui *ne sont pas* à l'intérieur d'une classe de
caractères sont ignorées. Cela signifie qu'une expression comme "chien
| chat" est équivalente à "chien|chat" qui est moins lisible, mais "[a
b]" correspond toujours aux caractères "'a'", "'b'" ou à une espace.
En outre, vous avez la possibilité de mettre des commentaires à
l'intérieur d'une RE ; les commentaires s'étendent du caractère "#" à
la nouvelle ligne suivante. Lorsque vous l'utilisez avec des chaînes à
triple guillemets, cela permet aux RE d'être formatées plus proprement
:

   pat = re.compile(r"""
    \s*                 # Skip leading whitespace
    (?P<header>[^:]+)   # Header name
    \s* :               # Whitespace, and a colon
    (?P<value>.*?)      # The header's value -- *? used to
                        # lose the following trailing whitespace
    \s*$                # Trailing whitespace to end-of-line
   """, re.VERBOSE)

Ceci est beaucoup plus lisible que :

   pat = re.compile(r"\s*(?P<header>[^:]+)\s*:(?P<value>.*?)\s*$")


Vos commentaires
================

Les expressions régulières sont un sujet compliqué. Est-ce que ce
document vous a aidé à les comprendre ? Des parties ne sont pas
claires, ou des problèmes que vous avez rencontrés ne sont pas traités
ici ? Si tel est le cas, merci d'envoyer vos suggestions
d'améliorations à l'auteur.

Le livre le plus complet sur les expressions régulières est
certainement Mastering Regular Expressions de Jeffrey Friedl, publié
par O'Reilly. Malheureusement, il se concentre sur les déclinaisons
Perl et Java des expressions régulières et ne contient aucun contenu
pour Python ; il n'est donc pas utile d'en faire référence pour la
programmation Python. (La première édition traitait du module Python
"regex", maintenant supprimé, ce qui ne vous aidera pas beaucoup.)
Pensez à le retirer de votre bibliothèque.
