Discussion :

[daniel-12]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
 
import re
 
with open("extract.txt", "r", ) as fic:
    for test_str in fic:
        r1 = re.findall(r"[D]\d+[.| ]{0,1}\d+[.| ]{0,1}\d+", test_str)
        if len(r1) == 1:
            print (r1)

Bonsoir
je cherche a extraire des séquences de caractères écrites sous cette forme
idéalement c'est ca:
D12312345123 (1lettre, 3+5+3 chiffres)


mais le texte peut aussi contenir des choses écrites différemment comme
D123-12345.123
d123.12345123
D123 12345 123
ou des choses incorrectes, incomplètes
D12-12345.123

Comment écririez vous le pattern regex, pour tout détecter ?

[flapili]

Une façon simple serais que de plutôt vérifier pour beaucoup trop de cas difficilement généralisable en 1regex de dans un premier temps enlever tout ce qui n'est ni lettre ni chiffre, puis après de vérifier que la chaine correspond bien au pattern 1 lettre 3+5+3 chiffres

Sinon l'opérateur ? Équivaut à {0,1}, une fois les caractères superflus enlevés le pattern sera [a-Z]\d{8}

[Fifan31]

Bonjour,

Je plusoie flapili à un détail près: s'il y a toujours un séparateur entre les groupes de chiffres et que ces groupes ont un sens, supprimer tout ce qui n'est pas lettre ou chiffre avec des choses incorrectes peut amener à des faux positifs.
Ex: D12.345-986523
Tu peux essayer

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

r'([a-zA-Z])(\d{3})[. -]?(\d{5})[. -]?(\d{3})'

[CosmoKnacki]

Sinon l'opérateur ? Équivaut à {0,1}, une fois les caractères superflus enlevés le pattern sera [a-Z]\d{8}

Par contre [a-Z] (de même que [A-z]) n'équivaut pas du tout à [a-zA-Z], c'est même un intervalle invalide car le caractère a est situé après le caractère Z dans la table ascii.

Un petit test: re.findall(r'[A-z]', '[\]^_`')

[.| ]

Dans une classe de caractères, le | perd son sens spécial et ne signifie plus OR. D'une manière générale, les caractères avec un sens spécial dans la pattern le perdent dans les classes de caractères et sont vus comme de simples caractères, mis à part l'antislash. En revanche les classes de caractères ont des caractères spéciaux qui leur sont propres: ^ - ].

[flapili]

En effet j'était sur portable je suis allez un peu vite

[daniel-12]

Merci a tous pour vos réponses. je vais les tester.

j'ai l'impression que les regex fait sous VBA et python, sont écrit légèrement différemment
je me trompe?

et le site regex101 pour les test, il vous semble fiable ?

[CosmoKnacki]

Les regex VBA (VBScript) et Python ont exactement la même syntaxe (héritée de Perl 5 comme énormément de langages), les différences sont plutôt en terme de fonctionnalités disponibles, par exemple les regex VBA n'ont pas de test arrière entre autres. Si tu veux de l'exotisme en matière de syntaxe et de comportement essaie grep (qui utilise par défaut la syntaxe BRE) ou Perl 6 (qui a une toute nouvelle syntaxe).

regex101 est un très bon outil, bien sûr il faut veiller à choisir le bon langage avant de commencer.

[daniel-12]

finalement je vais utiliser quelques chose de ce style

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

r1 = re.findall(r"[DEF]\d+[.\-_ ]?\d+[.\-_ ]?\d+", test_str)

a noter que je suis obligé de mettre un \ devant le -
je n'ai pas trop compris pourquoi
il me detecte ça
['D53.10000-000']
['D531100000000']
['D531-10000-000']
['D531.10000.000']
['D531 10000 000']
['D12.345-986523']

et sans le \
['D53.10000']
['D531100000000']
['D531']
['D531.10000.000']
['D531 10000 000']
['D12.345']

j'imagine que sans le slash c'est interprété comme caractères de . à _
j'ai bon ?


fifan31, ta proposition ne convient pas pour ce que je cherche
r'([a-zA-Z])(\d{3})[. -]?(\d{5})[. -]?(\d{3})'
[('D', '531', '10000', '000')]
[('D', '531', '10000', '000')]
[('D', '531', '10000', '000')]
[('D', '531', '10000', '000')]
sauf si bien sur les texte étaient tous bien ecrit avec le bon nombre de digits
mais je veux justement détecter ceux qui sont trop courts ou longs

[CosmoKnacki]

Tu as bon, c'est exactement ça. Pour te passer de l'antislash devant le -, il suffit de le placer au début ou à la fin de la classe de caractères, comme ça pas d'ambiguïtés possibles.

[olivier1969]

Hello ,

Ceci devrai fonctionner avec n'importe quel séparateur :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

r1 = re.findall(r"([defDEF]\d+)\D?(\d+)\D?(\d+)",  test_str)

[daniel-12]

Bien vu le \D?

mais j'aime bien avoir tout groupé

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

r1 = re.findall(r"[defDEF]\d+\D?\d+\D?\d+", test_str)

[olivier1969]

Bien vu le \D?

mais j'aime bien avoir tout groupé

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

r1 = re.findall(r"[defDEF]\d+\D?\d+\D?\d+", test_str)

Du coup quel est l’intérêt du findall si tu conserves la totalité de la ligne ??
Mais bon je ne vois pas le traitement que tu en fais ni d'où sont issues ces chaines de caractères, et peut être que les ^ et $ seraient nécessaires ... Bref les possibilités sont immenses !!

Si tu as ce type de chaine par exemple "d152-d366.256.6556" , ça change tout !

[daniel-12]

a vrai dire si je vois ça: "d152-d366.256.6556" je detecte tout de suite le problème, visuellement
c'est un peu comme si on lisait un code postal francais 7845451, ça cloche
ou une plaque d'immatriculation 45-gh-45-78

par contre, "d152-366256" c'est moins évident (il y a juste un chiffre de trop)
idem pour celui ci D152366256

dans un premier temps l'outil verra qu'il y a 6 chiffre
et au controle suivant qui sera une comparaison par rapport a un dictionnaire, l'alerte sur cette erreur sera signalée

[daniel-12]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
listep = []
with open("c:/temp/temp3.txt", "r", ) as fic:
    for test_str in fic:
        r1 = re.findall(r"[DEF]\d+[.\-_ ]?\d+[.\-_ ]?\d+", test_str)
        if len(r1) == 1:
            listep.append(r1)
print listep  #[['D53118662'], ['D53118662000']]
 
listep1 = ['D53110000','D53110001']

Bonsoir
j'ai un petit soucis, pas avec la pattern que j'affinerai si besoin mais avec le résultat

quand je trouve ce qui m'intéresse, je l'ajoute a une liste pour le traiter plus tard
ça ressemble à ça : [['D53118662'], ['D53118662000']] avec des crochets en trop

moi je voudrais ça : ['D53110000','D53110001']

savez vous pourquoi, et surtout comment y remédier ?

[wiztricks]

ça ressemble à ça : [['D53118662'], ['D53118662000']] avec des crochets en trop

Ces "crochets" traduisent une liste de listes à un seul élément.

moi je voudrais ça : ['D53110000','D53110001']
savez vous pourquoi, et surtout comment y remédier ?

Ouvrir un tuto. et revoir les bases sur les listes?

- W

[daniel-12]

Je ne comprends pas.
r1 c'est une string, enfin je pense
et je l' ajoute à une liste via un listep.append(r1).

si je fais un print de r1

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
        if len(r1) == 1:
            print r1 # j'ai ça ['D53113050']

r1 est considéré comme une liste ? soit ..

j'ai essayé un r1=r1.replace("[","") guerre concluant
puis un r1="".join(r1) bien mieux


pourquoi r1 au début est envoyé dans une liste ?
mon code est mal écrit ?
ou c'est simplement normal pour le résultat issu d'un re.findall ?

[bistouille]

Salut.

Ce n'est pas que r1 est considéré comme une liste, mais que c'est une liste. Le nom de la fonction re.findall est quand même assez explicite pour se dire qu'il pourrait y avoir plusieurs résultats renvoyés, donc un itérable contenant plusieurs châines de caractères.

Et pour ajouter un itérable à une liste existante, cela se fait avec la méthode extend de list.

[wiztricks]

Salut,

pourquoi r1au début est envoyé dans une liste ?

findall équivaut à "trouver tous les items" qui satisfont un ou des critères données... Et le résultat pourra être vide ou un ou plusieurs items. Et les "boîtes" de base permettant de stocker 0, 1 ou plus éléments sont listes et tuples.
Et comme il s'agit de structures de bases, il faut apprendre à les utiliser.

- W