Les expressions régulières (regex)

Les expressions régulières (ou regex) sont un mini-langage pour décrire des motifs de texte. Elles permettent de valider une adresse email, extraire tous les numéros de téléphone d'un document, nettoyer un fichier mal formaté... Python expose cette puissance via le module standard re. Les regex sont un sujet majeur du niveau Expert TOSA.

Premier contact

Le module re fournit des fonctions pour chercher/manipuler des motifs dans des chaînes.

import re

texte = "Contactez-nous au 04 90 12 34 56 ou au 06 11 22 33 44."

# Chercher tous les numéros de téléphone (format XX XX XX XX XX)
numeros = re.findall(r"\d{2} \d{2} \d{2} \d{2} \d{2}", texte)
print(numeros)

En 5 caractères spéciaux (\d{2}), on a extrait tous les numéros. C'est la puissance des regex.

Pourquoi le r"..." ?

Le préfixe r (raw string) désactive l'interprétation des \ par Python. Sans lui, "\d" serait interprété par Python avant d'arriver à regex, et certains motifs casseraient.

Règle absolue : toujours utiliser r"..." pour écrire un motif regex.

Les caractères de base

Caractères littéraux

Dans un motif, la plupart des caractères représentent eux-mêmes.

import re

print(re.findall(r"chat", "le chat et le chien"))
print(re.findall(r"python", "Python n'est pas python"))    # sensible à la casse

Caractères spéciaux à connaître

Ces caractères ont un sens spécial et doivent être échappés avec \ pour être matchés littéralement :

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

Exemple : pour chercher un vrai point, il faut \. :

import re

print(re.findall(r"\.", "fin. début."))

Les classes de caractères

Une classe représente un caractère appartenant à un ensemble.

Classes prédéfinies

import re

texte = "Alice a 30 ans, Bob en a 25."

print(re.findall(r"\d", texte))       # chiffres isolés
print(re.findall(r"\w+", texte))      # mots entiers

Classes personnalisées avec [...]

import re

# Un caractère parmi a, e, i, o, u
print(re.findall(r"[aeiou]", "bonjour"))

# Une plage : a-z, A-Z, 0-9
print(re.findall(r"[A-Z]", "Alice et Bob ont 30 ans"))

# Négation avec ^
print(re.findall(r"[^aeiou ]", "bonjour"))    # ni voyelles ni espaces

Les quantificateurs

Les quantificateurs indiquent combien de fois un motif peut se répéter.

import re

# 1 ou plusieurs chiffres
print(re.findall(r"\d+", "abc 123 def 4567"))

# Exactement 5 chiffres (code postal)
print(re.findall(r"\d{5}", "zip 75001 ou 69002 (mais pas 999)"))

# Entre 2 et 4 chiffres
print(re.findall(r"\d{2,4}", "1 22 333 4444 55555"))

# "Ah" avec 0 ou plus de "h" supplémentaires
print(re.findall(r"Ahh*", "Ah Ahh Ahhh Aaah"))

Gourmandise : *?, +?, ??

Par défaut, les quantificateurs sont gourmands : ils matchent le maximum possible. Pour forcer une matching minimale, on ajoute un ?.

import re

texte = "<b>gras</b> et <i>italique</i>"

# Gourmand : capture TOUT jusqu'au dernier >
print(re.findall(r"<.+>", texte))

# Paresseux : s'arrête au premier >
print(re.findall(r"<.+?>", texte))