grep et les expressions régulières

Ayant la possibilité de traiter des données entrants sur le stdin, UNIX possède un nombre d'outils puissants pour le traitement et transformation de ses données.

La philosophie d'UNIX : un outil bien défini pour faire une seule tâche. La puissance se trouve dans le bon enchaînement d'outils pour accomplir une tâche.

grep : _G_et with _R_egular _E_x_p_ression

Un processeur qui filtre le stdin et qui émet (sur stdout) seulement les lignes qui respectent l’expression régulière passé comme paramètre.

cat test.txt | grep "hello"

Ici, grep prend l'expression "hello" comme paramètre. C'est l'expression la plus simple : il faut trouver les lignes qui contient le mot hello uniquement.

Grep peut lire un fichier directement (au lieu de prendre des données du flux stdin) :

grep [fichier] -e [expression]

... ou peut traverser de façon recursive un répertoire :

grep -r [repertoire] -e [expression]

Les expressions régulières

Une façon de préciser, de manière flexible, un certain nombre de critères pour filtrer un flux de text entrant.

Exemples des wildcards :

• abc* : un text qui contient ab suivi par 0 ou plusieurs c

• abc+ : un text qui contient ab suivi par 1 ou plusieurs c

• abc? : un text qui contient ab suivi par 0 ou 1 c

• a.c : un text qui commence avec a suivi par n’importe quel caractère (un seul) suivi par c

Compter le nombre d'itérations dun caractère :

• abc{2} : un text qui contient ab suivi par 2 fois c

• abc{2,} : un text qui contient ab suivi par au moins 2 fois c

• abc{2,5} : un text qui contient ab suivi par 2 jusqu’à 5 fois c (mais pas plus)

Séquences de caractères :

• a(bc)* : un text qui contient a suivi par 0 ou plusieurs séquences de bc

• a(b|c) : un text qui contient a suivi par b ou c

Types de caractère :

• a\d : un text qui commence avec a suivi par un chiffre (digit simple)

Emplacement des caractères :

• ^abc : un text qui commence par abc

• abc$ : un text qui se termine par abc

Énumérer des options avec [ ]:

• [a-zA-Z] : un caractère qui est une lettre miniscule ou majuscule

Il y a beaucoup de ressources sur les expressions régulières :

• Cheat-sheet

• Outil de conception et test

Exercice : adresses e-mail

Trouver une expression régulière qui valide le format d’une adresse e-mail de manière suivante :

E-mail	Valide
[email protected]	oui
bob
[email protected]	oui
thirdy3@456	oui
bob&[email protected]
bob:[email protected]
bob(99)@builder.com
[email protected]	oui
[email protected]	oui

Liste des emails de test

[email protected]
bob
[email protected]
thirdy3@456
bob&[email protected]
bob:[email protected]
bob(99)@builder.com
[email protected]
[email protected]

Commencez par valider votre expression avec https://regex101.com. Le fichier emails.txt existe dans vos dossiers. Est-ce que votre expression régulière fonctionne avec grep ?

Solution

Une solution est potentiellement :

[a-zA-Z\.0-9_]+@[a-zA-Z\.0-9_]+

Attention, par contre, le suivant ne fonctionne pas avec grep :

cat emails.txt | grep "[a-zA-Z\.0-9_]+@[a-zA-Z\.0-9_]+"

Pourquoi ? Grep a different parfums, et par défaut la version POSIX ne traite pas des caractères comme [ et ]

Extended grep :

grep -E "[a-zA-Z\.0-9_]+@[a-zA-Z\.0-9_]+"

• Support pour les opérateurs [ et ]

Perl grep :

grep -P "^[\w\d\.]+@[\w\d\.]+"

• Plus de support pour les opérateurs genre \w et \d

Exercice : Numéro téléphonique

Rédigez une expression régulière qui identifie un numéro de téléphone valide :

• Au moins 10 digits

• Commence par une préfixe valable:

  • Soit un zéro

  • Soit par un + suivi par 2 à 4 chiffres (ex. +33)

• Suivi par un chiffre qui n'est pas zéro (ex. 6)

• Suivi par 4 paires de chiffres (ex. 32521467)

Les numéros [phone], 0632521467, [phone] sont valables parmi les options suivantes :

1432
[phone]
0632521467
[phone]
[phone]
1
+334
[phone]+

Solution

Une solution est potentiellement :

^(((\+)\d{2,4})|[0])[1-9](\d{2}){4}$

• Commencez par (^) :

  • Soit un plus suivi par 2 à 4 caractères (\+)\d{2,4}

  • ou : |

  • un zéro : [0]

• Un seul chiffre (pas zéro): [1-9]

• 4 paires de 2 chiffres:

  • 2 chiffres: \d{2}

  • 2 chiffres fois quatre : (\d{2}){4}

• Terminer la ligne par les chiffres et rien d'autre : $

Exercice : Lookarounds

J'ai un fichier HTML et je veux extraire uniquement la valeur entre les balises :

<html>
  <body>
    <p>This is a paragraph</p>
    <span>This is a span</span>
    <div>Lorem ipsum dolores</div>
  </body>
</html>

J'aimerais extraire (avec grep) uniquement les textes entre les balises sur chaque ligne :

This is a paragraph
This is a span
Lorem ipsum dolores

Astuces :

• Regardez les options de grep pour voir comment sortir uniquement le texte correspondant et pas toute la ligne qui contient le text

• Vous allez peut-être constater qu'il y a des symboles pas voulus dans le résultat (les balises). Pour les enlever, on peut utiliser les lookarounds (chercher à comprendre sur cette page)

Solution

Au départ on peut dire qu'on va chercher les caractères > et </. Normalement on éxtrait seulement les lignes avec ces 2 patterns :

>(.*)<\/

Si on essaye avec grep :

hetic@527edcda5f70:~$ cat index.html | grep -P ">(.*)<\/"
    <p>This is a paragraph</p>
    <span>This is a span</span>
    <p>Lorem ipsum dolores</p>

On voit qu'on affiche toute la ligne, on veut voir que la partie de texte qui corresponde à notre regex.

Ajoutez l'option -o :

hetic@527edcda5f70:~$ cat index.html | grep -oP ">(.*)<\/"
>This is a paragraph</
>This is a span</
>Lorem ipsum dolores</

Mieux ! Par contre, on voit que les balises sont toujours présents. Comment les exclure du résultat ?

Utilisez les lookarounds :

• (?<=>) : Le caractère avant (?<= doit être un >

• (?=</) : Les caractères après ?= doivent être </

Donc:

hetic@527edcda5f70:~$ cat index.html | grep -oP  "(?<=>)(.*)(?=<\/)"
This is a paragraph
This is a span
Lorem ipsum dolores

Exercice : guillemets

Est-ce que vous pourriez extraire correctement le contenu de l'attribute translate ? :

<span class="button active" translate="Ceci est un bouton qui s'appelle \"Click me\"!">

Le résultat devrait être :

Ceci est un bouton qui s'appelle \"Click me\"!

Attention, il faut garder les guillemets qui sont échappés.

Je ne vous donne pas la solution ici, essayez de trouver tout seul la solution !