regexp non greedy non fonctionnel

Version imprimable

Bonjour,
Je voudrais capturer la chaîne de caractère la plus petite d’après une expression régulière contenant une syntaxe non greedy, mais je capture toute la chaîne> Je voudrais uniquement cauptrer s:586:"Dear Dr. [node:author].
Code:

1 2 3 4 my $s = 's:7:"message";s:586:"Dear Dr. [node:author]'; if ($s =~ /(s\:\d+\:.+?\:author\])/s ) { # author peut etre plusieurs lignes apres le s:\d+:, ces lignes peuvent aussi contenir des doubles quotes. print "$1\n"; }
Je ne comprends pas mon erreur. La voyez vous ?
Merci
Z.

26/08/2014, 17h51
Lolo78

Bonjour,

pour moi, ça marche exactement comme ça devrait marcher (et comme je m'attendais que ça marche) .

Ou alors, si tu n'as pas le résultat escompté, alors précise:
- le résultat que tu attends
- ce que tu obtiens à la place.

J'obtiens la ligne entière.

Voici le code entier :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
#!/usr/bin/perl
 
use strict;
use warnings;
# use String::HexConvert ':all';
# use PHP::Serialization qw(serialize unserialize);
# use Data::Dumper;
 
my $s = 's:7:"message";s:586:"Dear Dr. [node:author]';
if ($s =~ /(s\:\d+\:.*?\:author\])/s ) {
	print "$1\n";
 
}
__END__

Et voici le terminal :

Code:

1
2
3
 
perl remplace.pl 
s:7:"message";s:586:"Dear Dr. [node:author]

26/08/2014, 19h02
Lolo78

Oui, c'est aussi ce que j'obtiens, et exactement ce à quoi je m'attendais en lisant ta regex. Le fait d'avoir "author" dans la regex l'oblige à aller jusque là. C'est quoi le résultat que tu recherches?
26/08/2014, 19h18
Zwiter

Ce qui en gras ci-dessus : s:586:"Dear Dr. [node:author]

Merci de ton aide.
26/08/2014, 19h36
Lolo78
OK, dans ce cas, le problème est double: d'une part il y a deux fois "s:", et la regex va commencer à matcher à partir de la première occurrence, et d'autre part la parenthèse ouvrante est mal placée (et tu captures plus que ce que tu veux). Voici un exemple de ce que tu veux faire sous le debugger, dans lequel j'ai ajouté le ";" en début de regex pour prendre le deuxième "s:":
Code:

1 2 3 4 5 DB<1> $s = 's:7:"message";s:586:"Dear Dr. [node:author]'; DB<2> print $1 if $s =~ /;s\:(\d+\:.*?\:author\])/s; 586:"Dear Dr. [node:author]
26/08/2014, 19h58
Zwiter
La chaine de caractere en gras comporte bien le s. De plus, c'est une version simplifier de la chaine a modifier qui est une chaine serializée d'un objet PHP, et qui comporte au moins 2 occurrences a trouver. Autrement dit voici les règles :
1. trouver la chaine :author] (deux points + 'author' + crochet fermant)
2. trouver en amont chercher la plus proche chaîne correspondant a s:\d+:" ('s' + deux points + suites de chiffres + deux points)
3. retourner les chaines 1 et 2, ainsi que tous les caractères se trouvant entre les deux, ces caractères pouvant inclure des caractères d'espacement et des sauts de ligne.
4. recommencer tant que le motif est trouvé
Je ne peux pas copier la chaîne totale car il y a plein de caractères nuls qui polluent le copier coller. En tout cas, il y a plein de chose avant, et encore après. Je pensais que la recherche non greedy commençait a partir de la fin de la chaîne, et s’arrêtait des que le motif était trouver.

je suis en train d’approcher le problème en PHP en simulant les classes sérialisées dans cette objet. Ainsi je compte obtenir une chaîne de caractère toute simple pour faire la recherche et le remplacement (str_replace).

merci de ton temps.
26/08/2014, 19h59
Zwiter
Citation:
Envoyé par Zwiter

La chaine de caractere en gras comporte bien le s. De plus, c'est une version simplifier de la chaine a modifier qui est une chaine serializée d'un objet PHP, et qui comporte au moins 2 occurrences a trouver. Autrement dit voici les règles :

trouver la chaine :author] (deux points + 'author' + crochet fermant)
trouver en amont chercher la plus proche chaîne correspondant a s:\d+:" ('s' + deux points + suites de chiffres + deux points)
retourner les chaines 1 et 2, ainsi que tous les caractères se trouvant entre les deux, ces caractères pouvant inclure des caractères d'espacement et des sauts de ligne.
recommencer tant que le motif est trouvé

Je ne peux pas copier la chaîne totale car il y a plein de caractères nuls qui polluent le copier coller. En tout cas, il y a plein de chose avant, et encore après. Je pensais que la recherche non greedy commençait a partir de la fin de la chaîne, et s’arrêtait des que le motif était trouver.

je suis en train d’approcher le problème en PHP en simulant les classes de cet objet. Ainsi je compte obtenir un objet deserialisé et je pourrai accéder a une chaîne de caractère toute simple pour faire la recherche et le remplacement (str_replace). Puis reserialisation.

merci de ton temps.
fausse manip pour editer mon message.
26/08/2014, 20h59
Lolo78
OK, DSL, j'ai lu trop rapidement. Suite de ma session sous le debugger pour le cas particulier (simplifié) que tu as exposé:
Code:

1 2 3 DB<3> print $1 if $s =~ /;(s\:\d+\:.*?\:author\])/s; s:586:"Dear Dr. [node:author]
Sinon, la recherche non-gourmande (ou plutôt le quantificateur non gourmand) n'est pas ce que tu crois. La recherche se fait dans l'ordre normal, de gauche à droite, mais elle s'arrête dès qu'elle a trouvé une chaîne minimale la satisfaisant, alors qu'une recherche gourmande cherche la chaîne maximale.

Pour tes règles plus compliquées, je regarderai plus tard ce soir, pas le temps maintenant (je vais dîner), mais ce serait bien que tu donnes des exemples pour mieux comprendre.

OK, j'ai regardé, avec ta description partant de la fin, ça paraît un peu compliqué, parce que les regex fonctionnent de gauche à droite et tu décris ton besoin dans le mauvais sens. A la limite, il faudrait inverser la chaîne, faire la recherche et inverser le résultat, mais ça ne paraît vraiment pas très propre (suite de la même session sous le debugger):
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 DB<4> $t = reverse $s; DB<5> print $t; ]rohtua:edon[ .rD raeD":685:s;"egassem":7:s DB<6> $capture = $1 if $t =~ /(\]rohtua:.+?\d+\:s)/ DB<7> p $capture ]rohtua:edon[ .rD raeD":685:s DB<8> $capture = reverse $capture DB<9> print $capture s:586:"Dear Dr. [node:author]
OK, ça marche, car ici, le quantificateur non gourmand "+?" joue bien son rôle: s'arrêter au premier groupe de chiffres suivi de ":s" suivant ']rohtua:", mais c'est globalement d'une grande laideur.

Il vaudrait mieux lire la chaîne dans l'ordre normal, mais bien définir tout ce que l'on est susceptible d'avoir entre le premier groupe, 's\:\d+\:' et le second groupe, '\:author\]', plutôt que d'utiliser une regex attrape-tout du genre '.*?'.

Par exemple, si je suppose simplement que le caractère ':' est impossible entre celui suivant le groupe de chiffres et la section finale:
Code:

1 2 3 4 5 DB<1> $s = 's:7:"message";s:586:"Dear Dr. [node:author]'; DB<2> print $1 if $s =~ /(s\:\d+\:[^:]+\:author\])/s; s:586:"Dear Dr. [node:author]
ce qui se lit: 's:', suivi de chiffres, suivis de ':', suivis d'un certain nombre de caractères différents de ':', suivis de ':author]'.

Cela marche avec ta chaîne, mais je ne peux pas savoir si cela correspond à ce que tu risques de rencontrer dans le cas général de tes données. Ici, je n'utilise plus de quantificateur non gourmand, parce que la classe inversée '[^:]+' s'avère plus efficace dans ce cas de figure.

Comme il semble difficile de réaliser "toute l'opération d'extraction" avec une seule regexp, pourquoi ne pas récupérer la chaine extraite avec l'expression régulière initiale, et la spliter ensuite sur le caractère ";" en ne conservant que le dernier élément :
Code:

1 2 3 4 5 my $s = 's:7:"message";s:586:"Dear Dr. [node:author]'; if (my ($author) = $s =~ /(s\:\d+\:.+?\:author\])/s ) { # author peut etre plusieurs lignes apres le s:\d+:, ces lignes peuvent aussi contenir des doubles quotes. $author = (split ";", $author)[-1]; print "$author\n"; }
qui donne :
s:586:"Dear Dr. [node:author]

27/08/2014, 10h37
Philou67430

Autre possibilité, si la chaine "non greedy" à capturer ne peut pas contenir de ";", remplacer le "." par la classe [^;]

Mais j'imagine que la chaine en question peut contenir des ";", tu confirmes ? Si c'est le cas, il faudra aussi revoir le split de ma réponse précédente pour être plus "sélectif" (par exemple /;s=/, puis restituer "s=" dans le dernier élément extrait).
27/08/2014, 15h04
Zwiter

Bonjour,
Tout d'abord merci a vous 2 pour vos explications sur le fonctionnement des expressions régulières. J'ai résolu mon problème avec php, et en simulant les classes. Toutefois, je voulais trouver une solution en perl. Philou, j'ai pensé un peu prêt la même chose ce matin dans le bus : spliter ma grande chaîne par ';s:' (très très très peu probable), puis chercher toutes celles qui contiennent ':author]' et faire le remplacement. Et pour finir, je recolle le tout :)

Lolo78, c'est quoi ton debugger ? ca fonctionne sous linux ? En tout cas, ca semble très pratique !

Merci encore !
Z.
27/08/2014, 15h18
Philou67430

Le debugger est intégré à l'interpréteur perl : c'est l'option -d de lancement de perl :

Code:

perl -d script.pl

Sous le debugger, tu tapes la commande "h" pour avoir l'aide.
Et voilà, à toi les points d'arrêts, la visualisation des variables et l'expérimentation d'expressions en dynamique.
27/08/2014, 19h22
Lolo78
Comme l'a dit Philou, le debugger est intégré à Perl sus toutes les plateformes. La syntaxe donnée par Philou permet de deboguer un programme appelé script.pl. Si tu ne veux pas déboguer un programme existant, mais tester des commandes Perl en direct comme je l'ai fait ci-dessus, alors il faut taper:
Code:

1 2 perl -de 42
Tu trouveras des explications complémentaires dans la section débogage de la faq Perl:

Le problème avec la sérialisation, c'est qu'il n'y a aucun moyen de savoir quand se termine une chaîne de caractère autrement qu'en se basant sur la longueur annoncée, vu que ni les guillemets doubles ni les points-virgules ne sont échappés.

Voici une manière de contrôler que l'on est toujours dans la chaîne, et qui utilise (??{...}) pour construire dynamiquement la pattern en fonction de la longueur annoncée.

version courte:

Code:

1
2
3
4
5
6
7
8
9
#!/usr/bin/perl
use strict;
use warnings;
 
my $ser = 's:7:"message";s:586:"Dear Dr. [node:author]';
 
if  ($ser =~ /(s:([0-9]+):"(??{"(?:[^:]|:(?!author])){0," . ($2-8) . "}"})(?::author]|.{0,10}(*SKIP)(*FAIL)))/s) {
	print "$1\n";
}

version détaillée:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#!/usr/bin/perl
use strict;
use warnings;
 
my $ser = 's:7:"message";s:586:"Dear Dr. [node:author]';
 
if  ($ser =~ /
(
	s:([0-9]+):"   #"#  on capture la longueur de la chaîne dans le groupe 2
 
	# on injecte dynamiquement une sous pattern décrivant les caractères de la chaîne avant
	# le motif. Chaque caractère est soit un caractère qui n'est pas ":", soit ":"
	# non suivi par "author]"
	#
	# Pour être sûr de ne pas sortir de la chaîne (s:), on limite le nombre de caractères 
	# directement dans le quantificateur {m,n} avant le motif recherché à :
	#    capture2 - taille du motif  (":author]" fait 8 caractères)
 
	(??{ 
		"(?:[^:]|:(?!author])){0," . ($2-8) . "}"
	})
 
	(?:
		:author] # on trouve le motif
	  |
		.{0,10}(*SKIP)(*FAIL) # dans le cas contraire, on matche jusqu'aux 10 caractères
                              # suivants (soit les 8 caractères restant plus le double quote
                              # et le point virgule), puis on force le moteur de regex à 
                              # skipper tous les caractères précédents en faisant échouer la branche
                              # avec (*FAIL). La prochaine tentative  se fera donc après le point-virgule
	) 
)/xs) {
	print "$1\n";
}

NB: il est inutile d'ancrer la pattern avec (?:;|\A) dans la mesure où le caractère "s" ne peut se trouver que dans une chaîne ou pour annoncer une chaîne. Le contenu des chaînes étant skippé, l'ancrage n'est donc pas nécessaire.