Discussion :

[sedami95]

Bonjour. Mon problème est assez simple : j'aimerais extraire des adresses email d'une chaîne de caractères sans faire recours aux expressions régulières. Quelle serait la meilleure manière d'y parvenir ? Peu importe votre langage de programmation, ça me fera vraiment plaisir de vous lire. Merci.

[WhiteCrow]

Bonjour,

Si je traduis bien ton «sans recourir aux regexp» par «sans recourir à une bibliothèque externe pour gérer les regexp» alors le plus simple est de créer manuellement ton automate de reconnaissance d'adresses mails à partir de la regexp. Soit tu la fais hyper complète, soit sur mesure à tes propres besoins. Tu trouvevas tout ce qu'il faut pour le faire grâce à notre ami google.

[sedami95]

Merci WhiteCrow pour votre réponse. Toutefois, je n'ai pas compris ce que vous entendez par "à partir de la regexp". Ce que je voudrais, c'est bien créer _manuellement_ un automate de reconnaissance d'adresses mails en utilisant par exemple des fonctions simples de manipulation de chaînes. Tout ce que j'ai vu jusqu'ici sur Google est basé sur les regex.

[WhiteCrow]

Les regexp ne sont qu'un moyen pratique pour décrire un automate. Donc si on a une regexp on peut facilement retrouver l'automate déterministe et à partir de là l'implémenter …
Il y a de nombreux liens sur le net pour la description de l'algorithme comme sur geeksforgeeks.

[sedami95]

Merci à vous. Je vais explorer la piste pour voir.

[Flodelarab]

Bonjour

D'où vient cette contrainte de travailler sans regex ? Parce que c'est vraiment une très mauvaise voie.

[sedami95]

Bonjour Flodelarab,
Merci pour votre intervention. Moi même, ça ne me plaît pas plus que ça. Je développe une application Windows sous Windev. Cet environnement fournit une fonction qui permet uniquement de vérifier si une chaîne de caractères respecte la condition d'une expression régulière ou pas. Ça ne va pas plus loin que ça. Une formule pour sélectionner plusieurs occurence d'une chaîne respectant un regex est déjà trop complexe pour le langage proposé. Du coup, je n'ai pas trouvé d'autres solutions que de travailler sans les regex.

[anadoncamille]

Un algorithme simple est de chercher tous les @. Pour chacun d'eux sélectionner les caractères avant le @ jusqu'à l'espace précédent et sélectionner les caractères après le @ jusqu'à l'espace suivant. Tu va ainsi extraire toutes les adresses mail de ton texte et tu n'utilises pas de regex.

[sedami95]

Merci anadoncamille pour votre proposition. Cependant, un exemple de chaînes qui peut être récupéré avec votre algorithme est :
email:anadon.camille@dev.com.
Ou encore :
<b>anadon.camille@dev.com</b>
Ce ne sont pas vraiment des adresses email, si vous voyez de quoi je veux parler.

[anadoncamille]

Effectivement.

Pour éviter ce problème tu as plusieurs possibilités.
- écrire une fonction qui teste si le caractère fait partie d'une adresse mail classique (lettres, chiffres, point, etc...)
- écrire une fonction qui teste si le caractère ne fait pas partie d'une adresse mail classique (caractères spéciaux, espace, etc...)

Dans les deux cas tu te sers de ta fonction pour déterminer si le caractère lu est à ajouter à l'adresse mail ou si il faut cesser la lecture.

[WhiteCrow]

Si on veut une reconnaissance à toute épreuve alors il vaut mieux passer par l'expression rationnelle et créer un automate. Par exemple ta dernière proposition échoue avec une adresse en fin de phrase comme : « Il va falloir écrire à anadon.camille@dev.com. »

Mais comme je le disais, tout dépend jusqu'à quel point on veut être capable de couvrir l'étendue des mails valides ; cela peut passer du simple ^[\w-\.]+@([\w-]+\.)+[\w-]{2,6}$ à un complexe (?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9]))\.){3}(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9])|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\]).

Dans tous les cas, on construit le DFA associé à la regexp, l'implémentation ensuite devrait être assez aisée.
La première proposition devrait couvrir la majorité des besoins «normaux». Un algo relativement simple est :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
 
1. on place un curseur au début du buffer
2. on avance le curseur tant qu'il ne pointe pas un caractère étant une lettre, un point ou un tiret
3. on marque un début de mail potentiel
4. on avance le curseur tant qu'il pointe un caractère étant une lettre, un point ou un tiret
5. si le curseur ne pointe pas sur un @ alors on démarque le début potentiel et on va en 2
6. on avance le curseur tant qu'il pointe un caractère étant une lettre, un point ou un tiret
7. on marque une fin de mail potentielle 
8. on vérifie que la position du dernier . corresponde bien, éventuellement on checke que la dernière portion est un tld valide ; si tout est bon on émet la portion sinon on recommence en 2

[kaitlyn]

Salut,

Merci pour votre intervention. Moi même, ça ne me plaît pas plus que ça. Je développe une application Windows sous Windev. Cet environnement fournit une fonction qui permet uniquement de vérifier si une chaîne de caractères respecte la condition d'une expression régulière ou pas. Ça ne va pas plus loin que ça.

Pourtant la documentation de windev fait bien état d'une fonction RegexMatch() en mesure de faire le job.
https://doc.windev.com/en-US/?1000026273
https://doc.windev.com/en-US/?3024032
https://doc.windev.com/en-US/?1000019746

[sedami95]

Merci beaucoup pour vos interventions. Anadoncamille, ta proposition me donne bien des idées.

WhiteCrow, je vois maintenant beaucoup plus clair avec ton algorithme.

C'est exactement ce que je souhaitais quand j'ai lancé ce sujet. Je crois avoir maintenant suffisamment d'éléments pour mettre sur pied mon programme. Je vous mets au courant de la méthode finale. Merci.

[sedami95]

Salut,



Pourtant la documentation de windev fait bien état d'une fonction RegexMatch() en mesure de faire le job.
https://doc.windev.com/en-US/?1000026273
https://doc.windev.com/en-US/?3024032
https://doc.windev.com/en-US/?1000019746

Bonjour kaitlyn,
RegexMatch(), effectivement ça pourrait bien faire le job. Je n'étais pas au courant de cette fonction avant aujourd'hui. Une petite recherche m'a permis de comprendre qu'elle n'a fait son apparition que dans la version 26. Je m'embête avec VerifieExpressionReguliere() dans la version 24 et ça le fait pas du tout (en tout cas pas sans magouilles avec les fonctions de traitement de chaînes).

[kaitlyn]

Il y a plusieurs versions de cette fonction dont une est intéressante :

Checking a format and retrieving the elements corresponding to the format in an array
<Result> = MatchRegularExpression(<Element to check> , <Regular expression> , <Array of strings>)

une chaine /regexp/g va normalement faire remplir le tableau donné en paramètre avec toutes les occurrences trouvées.

[sedami95]

Il y a plusieurs versions de cette fonction dont une est intéressante :



une chaine /regexp/g va normalement faire remplir le tableau donné en paramètre avec toutes les occurrences trouvées.

Merci kaitlyn. Peut-être que je m'y prends mal mais même cette version n'arrive pas à régler le problème. Dans mes recherches, je n'ai trouvé personne qui ait réussi à faire un truc pareil (avec cette fonction en windev). Il semblerait qu'une LST ait appréhendé le sujet (40 je crois). Dans l'exemple, PC Soft aurait morcelé la chaîne en des mots puis aurait vérifié si chaque mot vérifiait la syntaxe. Cette manière de faire ne suffirait pas à tout obtenir dans mon cas.

[tbc92]

Dans mes recherches, je n'ai trouvé personne qui ait réussi à faire un truc pareil

Euh ...
Disons que tu n'as trouvé personne qui ait accepté de le faire pour toi.

Un problème bien exposé est un problème à moitié résolu.
Prenons cette chaine, que tu as toi même évoquée : <b>anadon.camille@dev.com</b>

Dans cette chaine, il y a différentes adresses valides : anadon.camille@dev.com , nadon.camille@dev.com , adon.camille@dev.com

Quel est ton besoin ?

[sedami95]

Bonjour tbc92,

Dans "<b>anadon.camille@dev.com</b>", j'aurais logiquement besoin de "anadon.camille@dev.com".

[anadoncamille]

Quelques infos utiles se trouvent ici : https://fr.wikipedia.org/wiki/Adresse_%C3%A9lectronique

[Flodelarab]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
$ cat mon.fichier.e-mail.txt
Dans cette chaine, il y a différentes adresses valides : anadon.camille@dev.com , nadon.camille@dev.com , adon.camille@dev.com

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
$ grep -Po '[\w-\.]+@([\w-]+\.)+[\w-]{2,6}' mon.fichier.e-mail.txt
anadon.camille@dev.com
nadon.camille@dev.com
adon.camille@dev.com

Tout marche très bien. Ceux qui t'ont répondu avant ont raison. RegexMatch() est l'équivalent de grep -Po ci-dessus et le tableau est rempli des solutions. Au travail !