Provided by: manpages-fr_3.57d1p1-1_all 
NOM
regex - Expressions rationnelles POSIX.2
DESCRIPTION
Les expressions rationnelles (« ER »), définies par POSIX.2 existent sous deux formes :
les ER modernes (en gros celles de egrep ; que POSIX.2 appelle expressions rationnelles
« étendues »), et les ER obsolètes (en gros celles de ed(1) ; les ER de base pour POSIX.2)
(N.d.T. : le terme « officiel » pour la traduction de « regular expression » est
« expression rationnelle », et c'est celui que j'emploierai. Toutefois, on utilise
couramment le terme « expression régulière », même s'il s'agit d'un léger abus de
langage). Les ER obsolètes existent surtout à titre de compatibilité avec d'anciens
programmes ; on en parlera à la fin. POSIX.2 laisse de côté certains aspects syntaxiques
et sémantiques des ER ; un signe « (!) » indique une interprétation qui peut ne pas être
totalement portable sur d'autres implémentations de POSIX.2.
Une ER (moderne) est une(!) ou plusieurs branches non-vides(!), séparées par « | ». Elle
correspond à tout ce qui correspond à l'une des branches.
Une branche est une(!) ou plusieurs pièces concaténées. Elle correspond à ce qui
correspond à la première pièce, suivi de ce qui correspond à la seconde, et ainsi de
suite.
Une pièce est un atome suivi éventuellement d'un unique(!) « * », « + », « ? », ou d'un
encadrement. Un atome suivi de « * » correspond à une séquence de 0 ou plusieurs
correspondances pour l'atome. Un atome suivi d'un « + » correspond à une séquence de 1 ou
plusieurs correspondances pour l'atome. Un atome suivi d'un « ? » correspond à une
séquence de zéro ou une correspondance pour l'atome.
Un encadrement est un « { » suivi d'un entier décimal non-signé, suivis éventuellement
d'une virgule, suivis éventuellement d'un entier décimal non-signé, toujours suivis d'un
« } ». Les entiers doivent être entre 0 et RE_DUP_MAX (255(!)) compris, et s'il y en a
deux, le second ne doit pas être plus petit que le premier. Un atome suivi d'un
encadrement contenant un entier i et pas de virgule correspond à une séquence de i
correspondances pour l'atome exactement. Un atome suivi d'un encadrement contenant un
entier i et une virgule correspond à une séquence d'au moins i correspondances pour
l'atome. Un atome suivi d'un encadrement contenant deux entiers i et j correspond à une
séquence de i à j (compris) correspondances pour l'atome.
Un atome est une expression rationnelle encadrée par des parenthèses (correspondant à ce
qui correspond à l'expression rationnelle), un ensemble vide « () » (correspondant à une
chaîne nulle)(!), une expression entre crochets (voir plus bas), un point « . »
(correspondant à n'importe quel caractère), un accent « ^ » (correspondant à une chaîne
vide en début de ligne), « $ » (correspondant à une chaîne vide en fin de ligne), un « \ »
suivi d'un des caractères « ^.[$()|*+?{\ » (correspondant au caractère littéral - sans
signification particulière), un « \ » suivi de n'importe quel autre caractère(!)
(correspondant au caractère pris sous forme littérale, comme si le « \ » était absent(!)),
ou un caractère simple sans signification particulière (correspondant à ce caractère). Un
« { » suivi d'un caractère autre qu'un chiffre est considéré sous sa forme littérale, pas
un encadrement(!). Il est illégal de terminer une ER avec un « \ » seul.
Une expression entre crochets est une liste de caractères encadrés par « [] ». Elle
correspond normalement à n'importe quel caractère de la liste. Si la liste débute par
« ^ », elle correspond à n'importe quel caractère sauf ceux de la liste. Si deux
caractères de la liste sont séparés par un « - », ils représentent tout l'intervalle de
caractères entre eux (compris). Par exemple « [0-9] » en ASCII représente n'importe quel
chiffre décimal. Il est illégal(!) d'utiliser la même limite dans deux intervalles, comme
« a-c-e ». Les intervalles dépendent beaucoup de l'ordre de classement des caractères, et
les programmes portables doivent éviter de les utiliser.
Pour insérer un « ] » littéral dans la liste, il faut le mettre en première position (ou
après un éventuel « ^ »). Pour inclure un « - » littéral, il faut le placer en première,
dernière position, ou en seconde borne d'un intervalle. Pour utiliser un - en première
borne d'intervalle, encadrez-le entre « [. » et « .] » pour en faire un élément de
classement (voir plus bas). À l'exception de ces éléments, et de quelques combinaisons
avec des crochets (voir plus bas), tous les autres caractères spéciaux, y compris le
« \ », perdent leurs significations spéciales dans une expression entre crochets.
Dans une expression entre crochets, un élément de classement (un seul caractère, ou une
séquence de caractères qui se comporte comme un seul, ou un nom de séquence de classement)
entre « [. » et « .] » correspond à la séquence des caractères de cet élément de
classement. Une séquence est un élément unique de l'expression entre crochets. Ainsi, une
expression entre crochets contenant un élément de classement multicaractères peut
correspondre à plus d'un caractère. Par exemple, si la séquence inclut un élément de
classement « ch », alors l'ER « [[.ch.]]*c » correspond aux cinq premiers caractères de
« chchcc ».
Dans une expression entre crochets, un élément de classement encadré par « [= » et « =] »
est une classe d'équivalence, correspondant à la séquence des caractères de tous les
éléments de classement équivalents à celui-ci, y compris lui-même (s'il n'y a pas d'autres
éléments équivalents, le fonctionnement est le même que si l'encadrement était « [. » et
« .] »). Par exemple, si o et ^ sont membres d'une classe équivalence, alors « [[=o=]] »,
« [[=o^=]] », et « [oo^] » sont tous synonymes. Une classe d'équivalence ne doit(!) pas être
une borne d'intervalle.
Dans une expression entre crochets, le nom d'une classe de caractères encadré par « [: »
et « :] » correspond à la liste de tous les caractères de la classe. Les noms des classes
standard sont :
alnum digit punct
alpha graph space
blank lower upper
cntrl print xdigit
Cela correspond aux classes des caractères définies pour wctype(3). Une localisation peut
en fournir d'autres. Une classe de caractères ne doit pas être utilisée comme borne
d'intervalle.
Dans le cas où une ER peut correspondre à plusieurs sous-chaînes d'une chaîne donnée, elle
correspond à celle qui commence le plus tôt dans la chaîne. Si l'ER peut correspondre à
plusieurs sous-chaînes débutant au même point, elle correspond à la plus longue
sous-chaîne. Les sous-expressions correspondent aussi à la plus longue sous-chaîne
possible, à condition que la correspondance complète soit la plus longue possible, les
sous-expressions débutant le plus tôt dans l'ER ayant priorité sur celles débutant plus
loin. Notez que les sous-expressions de haut niveau ont donc priorité sur les
sous-expressions de bas niveau les composant.
La longueur des correspondances est mesurée en caractères, pas en éléments de classement.
Une chaîne vide est considérée comme plus longue qu'aucune correspondance. Par exemple
« bb* » correspond aux trois caractères du milieu de « abbbc »,
« (wee|week)(knights|nights) » correspond aux dix caractères de « weeknights », quand
« (.*).* » est mis en correspondance avec « abc », la sous-expression entre parenthèses
correspond aux trois caractères, et si « (a*)* » est mis en correspondance avec « bc »
l'ER entière et la sous-ER entre parenthèses correspondent toutes deux avec une chaîne
nulle.
Si une correspondance sans distinction de casse est demandée, toutes les différences entre
majuscules et minuscules disparaissent de l'alphabet. Un symbole alphabétique apparaissant
hors d'une expression entre crochets est remplacé par une expression contenant les deux
casses (par exemple « x » devient « [xX] »). Lorsqu'il apparaît dans une expression entre
crochets, tous ses équivalents sont ajoutés (« [x] » devient « [xX] » et « [^x] » devient
« [^xX] »).
Aucune limite particulière n'est imposée sur la longueur est ER(!). Les programmes
destinés à être portables devrait limiter leurs ER à 256 octets, car une implémentation
compatible POSIX peut refuser les expressions plus longues.
Les expressions rationnelles obsolètes (de base) diffèrent sur plusieurs points. « | »,
« + », et « ? » sont des caractères normaux sans équivalents. Les délimiteurs
d'encadrements sont « \{ » et « \} », car « { » et « { » sont des caractères ordinaires.
Les parenthèses pour les sous-expressions sont « \( » et « \) », car « ( » et « ) » sont
des caractères ordinaires. « ^ » est un caractère ordinaire sauf au début d'une ER ou
au(!) début d'une sous-expression entre parenthèses, « $ » est un caractère ordinaire sauf
à la fin d'une ER ou à(!) la fin d'une sous-expressions entre parenthèses, et « * » est un
caractère ordinaire s'il apparaît au début d'une ER ou au début d'une sous-expression
entre parenthèses (après un éventuel « ^ »).
Enfin, il existe un nouveau type d'atome, la référence arrière : « \ » suivi d'un chiffre
décimal non-nul n correspond à la même séquence de caractères que ceux mis en
correspondance avec la n-ième sous-expression entre parenthèses (les sous-expressions sont
numérotées par leurs parenthèses ouvrantes, de gauche à droite), ainsi « \([bc]\)\1 »
correspond à « bb » ou « cc » mais pas à « bc ».
BOGUES
Avoir deux sortes d'ER est un calvaire.
La norme POSIX.2 actuelle dit que « ) » est un caractère ordinaire en l'absence de la
« ( » correspondante. C'est dû à une erreur d'interprétation et changera probablement.
Évitez d'en tenir compte.
Les références arrières sont un vrai calvaire, et posent de gros problèmes d'efficacité
pour l'implémentation. Elles sont de plus assez mal définies (est-ce que
« a\(\(b\)*\2\)*d » correspond à « abbbd » ?). Évitez-les.
Les spécifications POSIX.2 sur les correspondances sans distinction de casse sont assez
vagues. La description donnée plus haut est le consensus actuel parmi les implémenteurs.
AUTEUR
Cette page a été prise dans le paquet regex de Henry Spencer.
VOIR AUSSI
grep(1), regex(3)
POSIX.2, section 2.8 (Regular Expression Notation).
COLOPHON
Cette page fait partie de la publication 3.57 du projet man-pages Linux. Une description
du projet et des instructions pour signaler des anomalies peuvent être trouvées à
l'adresse http://www.kernel.org/doc/man-pages/.
TRADUCTION
Depuis 2010, cette traduction est maintenue à l'aide de l'outil po4a
<http://po4a.alioth.debian.org/> par l'équipe de traduction francophone au sein du projet
perkamon <http://perkamon.alioth.debian.org/>.
Christophe Blaess <http://www.blaess.fr/christophe/> (1996-2003), Alain Portal
<http://manpagesfr.free.fr/> (2003-2006). Julien Cristau et l'équipe francophone de
traduction de Debian (2006-2009).
Veuillez signaler toute erreur de traduction en écrivant à
<debian-l10n-french@lists.debian.org> ou par un rapport de bogue sur le paquet
manpages-fr.
Vous pouvez toujours avoir accès à la version anglaise de ce document en utilisant la
commande « man -L C <section> <page_de_man> ».
12 janvier 2009 REGEX(7)