GREP et les REGEX 🧪

La commande grep est sans doute l'une des plus utiles du terminal et c'est pourquoi elle se mérite une section à elle seule. En fait grep est l'acronyme de "Global Regular Expression Print". La commande vous permet donc de rechercher du texte sur la base d'un modèle. Quel genre de modèle me demanderez-vous ? Prenons un exemple simple, je cherche à trouver un numéro de téléphone dans un fichier. Cela dit, je ne connais pas le numéro de téléphone que je recherche. Par contre, je sais qu'un numéro de téléphone correspond au modèle suivant: XXX-XXX-XXXX. Je pourrais donc demander à grep de chercher le contenu d'un fichier qui correspond à ce modèle.

REGEX

Ce modèle, c'est ce que l'on nomme une expression régulière. Il s'agit d'une expression permettant d'indiquer à grep le genre de texte que je recherche. La composition d'une expression régulière passe par l'utilisation de métacaractère et de texte. Nous étudierons le tout.

Pour les prochains exemples d'utilisation de grep, j'utiliserai le livre "Les 3 mousquetaires" que pouvez télécharger gratuitement sur le site du projet Gutenberg.

Rechercher un mot

Dans son utilisation la plus simple, grep permet de rechercher un mot. Par exemple, si je recherchais le mot "officier" dans le texte des 3 mousquetaires, la commande ressemblerait à :

grep "officier" 3mousquetaires

Voici le résultat obtenu:

Chaque ligne du résultat représente une ligne de texte où l'expression recherchée a été repérée. Sur l'image, vous n'en voyez qu'une partie. Ce mot revient très souvent dans le texte.

Somme d'une expression

Combien de fois le mot "officier" apparait-il en fait ? Il est possible de demander à grep en utilisant le commutateur -c.

grep -c "officier" 3mousquetaires

Le mot "officier" apparaitrait donc 83 fois...ou presque. En fait, il ne faut pas négliger le fait que Linux est un système "sensible à la casse". Pour Linux, le mot "officier" et le mot "Officier" sont différents. Pour ignorer cette différenciation que Linux fait entre majuscules et minuscules, nous ajouterons le commutateur -i.

grep -ci "officier" 3mousquetaires

Cette fois ça y est! Nous avons toutes les occurrences.

Correspondance d'ancrage

Les ancres sont des caractères spéciaux me permettant de déterminer à quel endroit sur une ligne de texte un modèle est considéré comme valable. Reprenons notre exemple avec le mot ""officier". Je sais qu'il y a un total de 86 occurrences du mot "officier" dans le texte concerné. Cela dit, j'aimerais retrouver seulement les mots "officier" qui sont en début de ligne. Le métacaractère ^ permet donc ce genre de correspondance par ancrage. Nous l'utiliserons comme suit:

grep "^officier" 3mousquetaires

Nous avons donc un total de 4 lignes dans le roman qui débutent par le mot "officier".

Qu'en est-il pour les fins de ligne ? Vous l'aurez compris, il est tout à fait possible de rechercher le mot "officier" en fin de ligne également. On utilisera alors le métacaractère $ comme suit:

grep "officier$" 3mousquetaires

Métacaractères

Les métacaractères sont des caractères spéciaux ayant une signification particulière dans une expression régulière. Nous allons étudier les principaux et analyser leur fonctionnement à l'aide d'exemples.

Le point .

Le point symbolise n'importe quel caractère unique. Dans une expression régulière, le point peut être remplacé par un espace, une lettre, un chiffre, etc. Par exemple, je vais remplacer une partie du mot "officier" par des points pour en observer le résultat:

grep "....cier" 3mousquetaires

On voit tout de suite que ce n'est plus seulement le mot "officier" qui correspond à l'expression régulière mais bien tout ce qui comporte 4 caractères quelconque, suivi des lettres "cier". Nous retrouvons notre expression régulière à l'intérieur du mot "remerciera" par exemple.

L'étoile *

L'étoile est ce que l'on appelle un quantificateur dans le jargon des expressions régulières. Elle permet d'indiquer une quantité recherchée. Plus précisémment, l'étoile signifie que l'on recherche zéro ou plusieurs occurences du caractère qui le précède. Par exemple, dans le cas du mot "officier", nous pourrions l'utiliser comme suit:

grep "of*icier" 3mousquetaires

Cela me permet d'indiquer qu'il peut y avoir entre 0 et plusieurs lettres "f" dans le mot que je recherche.

Le plus +

Le symbole + est également un quantificateur. Il s'utilise donc de la même manière que l'étoile. Ce symbole fera correspondre une ou plusieurs occurences du caractère qui le précède à la différence de l'étoile qui peut également faire correspondre aucune occurence (0). Exemple:

grep "of+icier" 3mousquetaires

Le point d'interrogation ?

Le symbole ? est aussi un quantificateur. Il s'utilise de la même manière que l'étoile et le symbole +. Celui-ci fera correspondre zéro ou une occurence du caractère qui le précède. Cela signifie que si nous le plaçon au même endroit que dans l'exemple avec l'étoile et le plus, nous n'aurons pas de correspondance avec le mot "officier" puisque celui-ci comporte 2 lettres "f".

grep "of?icier" 3mousquetaires

Les crochets []

Les crochets jouent plusieurs rôles dans les expressions réguliuères, nous allons donc voir chacun de ces rôles:

• Choix d'un caractère parmi une liste: Les crochets peuvent représenter le choix parmi une liste de caractères donnée. Par exemple, dans le cas du mot "officier", je pourrais utiliser la commande suivante:

grep "[ou]ficier" 3mousquetaires

J'aurai alors un match avec le terme "officier" ou "ufficier".

• Utilisation de classes de caractère: Les classes de caractère permettent de donner des indications abrégées à GREP. Les classes sont toujours placées entre crochets:

  • [a-z] : Indique que l'on souhaite faire correspondre n'importe quelle lettre minuscule.

  • [A-Z] : Indique que l'on souhaite faire correspondre n'importe quelle lettre majuscule.

  • [a-zA-Z] : Indique que l'on souhaite faire correspondre n'importe quelle lettre.

  • [:alpha:] : Indique que l'on souhaote faire correspondre n'importe quelle lettre.

  • [0-9] : Indique que l'on souhaite faire correspondre n'importe quel chiffre.

  • [:digit:] : Indique que l'on souhaite faire correspondre n'importe quel chiffre.

  • [a-zA-Z0-9] : Indique que l'on souhaite faire correspondre n'importe quel chiffre ou lettre.

  • [:alnum:] : Indique que l'on souhaite faire correspondre n'importe quel chiffre ou lettre.

  • [:blank:] : Indique que l'on souhaite faire correspondre un espace ou une tabulation.

• Négation: On utilise également les crochets pour indiquer une négation. C'est-à-dire un élément avec lequel on ne souhaite pas correspondre. Par exemple, si je désirais retrouver toutes les occurences du mot "officier", à l'exception des fois où le mot est inscrit au pluriel.

  grep "officier[^s]" 3mousquetaires

  D'ailleurs, en faisant la somme des occurences, nous voyons bien la différence:

  

Les accolades {}

Les accolades permettent de créer des quantificateurs personnalisés. On les utilisera pour y inscrire une valeur fixe ou même pour y définir un minimum et un maximum. ATTENTION: Pour utiliser les accolades avec grep, il faudra utiliser le commutateur -P qui prend en charge la syntaxe des expressions régulières au format PERL. Par défaut, grep utilise la syntaxe POSIX et celle-ci ne prend pas en charge les accolades. Dans le cas du mot "officier", nous pourrions par exemple indiquer les deux lettres "f" consécutives comme suit:

grep -P "of{2}icier" 3mousquetaires

ou nous pourrions même accepter de 1 à 5 lettres "f" consécutives:

grep -P "of{1,5}icier" 3mousquetaires

Les parenthèses ()

Les parenthèses permettent de grouper des expressions ou des bouts d'expression que l'on désir retrouver dans un ordre déterminé. Cela permet, par exemple, d'utiliser un quantificateur sur un groupe plutôt que sur une lettre seulement. ATTENTION: Pour utiliser les parenthèses avec grep, il faudra utiliser le commutateur -P qui prend en charge la syntaxe des expressions régulières au format PERL. Par défaut, grep utilise la syntaxe POSIX et celle-ci ne prend pas en charge les parenthèses. Voici un exemple d'utilisation des parenthèses:

grep -P "(off)[a-z]*" 3mousquetaires

L'expression ici nous a permis de stipuler que l'on recherchait des expressions qui débutaient par "off", suivi d'autres lettres de l'alphabet, tout simplement. Avez-vous remarqué que certaines de ces expressions ne correspondent pas au début d'un mot ? Par exemple, dans le cas du mot "coffre" ou "coffret" ? Comment aurais-je pu m'assurer que seulement des mots complets concordent avec mon expression régulière ? C'est ce que nous verrons avec les tests lookahead et lookbehind.

LOOKAHEAD & LOOKBEHIND

Les tests lookahead et lookbehind permettent d'effectuer des tests sur ce qui trouve avant ou après une expression recherchée avant d'effectuer une concordance. Par exemple, lors de mon exemple avec les parenthèses, grep a repéré des concordances à travers des mots tels que coffre ou coffret puisque je ne lui ai jamais spécifié si je désirais quelque chose de particulier avant le début de mon groupe (off). Un test du type lookbehind me permettrait de valider si une lettre ou un espace précède l'expression.

LOOKBEHIND POSITIF

Ce test vérifiera la présence d'un élément précédant l'expression pour effectuer une concordance. On effectue ce genre de test en entrant (?<=exp) devant votre expression. Vous devez remplacer le terme "exp" pour l'expression que vous désirez tester. Si je reprenais mon exemple précédent avec les parenthèses mais que j'ajoutais un test de type lookbehind positif, cela me permettrait de valider qu'un espace précède le groupe (off) et donc, qu'il s'agit sans doute d'un début de mot.

grep -P "(?<=\s)(off)[a-z]*" 3mousquetaires

Note: \s signifie n'importe quel type d'espace. Il s'agit d'un métacaractère tiré du langage Perl.

LOOKBEHIND NÉGATIF

À l'inverse, ce test vérifiera l'absence d'un élément avant de déclencher une concordance. On effectue ce genre de test en entrant (?<!exp) devant votre expression. Vous devez remplacer le terme "exp" pour l'expression que vous désirez tester. En reprenant le même exemple que ci-dessus, je pourrais signifier que je ne veux pas de lettre avant mon expression:

grep -P "(?<! [a-zA-Z])(off)[a-z]*"

LOOKAHEAD POSITIF

Vous l'aurez compris, les tests lookahead permettent d'effectuer des tests sur ce qui suit l'expression recherchée. On effectue ce genre de test en entrant (?=exp) après votre expression régulière. Par exemple:

grep -P "officier(?=\s)"

LOOKAHEAD NÉGATIF

Finalement, tout comme avec le test lookbehind, il y a possibilité d'effectuer un test sur l'absence d'un élément suivant votre expression. On utilisera alors (?!exp) après votre expression régulière. Par exemple:

grep -P "officier(?! [a-zA-Z])"