Capturer un contenu entre balise via RegExp

Version imprimable

03/02/2016, 20h04
TheMoustic

Capturer un contenu entre balise via RegExp

Bonsoir à toutes et à tous !

Je sollicite votre aide pour écrire le pattern d'une regexp en VBA Excel.

J'ai une chaîne du type :

Citation:

Lorem ipsum dolor sit amet, [a]consectetur adipiscing[/a] elit, sed do eiusmod [d]tempor[/d] incididunt ut labore et dolore magna aliqua. Ut enim ad [a]minim[/a] veniam...

Je souhaite récupérer le contenu entre chaque balise via une seule regexp. En bouclant sur les résultats de la regexp on devrait un avoir un truc du genre :

$0 = [a]consectetur adipiscing[/a] (avec comme sous-motif "a", "consectetur adipiscing", "[/a]")
$1 = [d]tempor[/d]
$2 = [a]minim[/a]

J'ai essayé ce pattern :

Code:

reg.Pattern = "\[(\w*)\](.*)(\[/\1\])"

Mais il me renvoit ça :

Citation:

[a]consectetur adipiscing[/a] elit, sed do eiusmod [d]tempor[/d] incididunt ut labore et dolore magna aliqua. Ut enim ad [a]minim[/a]

J'ai donc essayé d'exclure le motif de fermeture de la balise :

Code:

reg.Pattern = "\[(\w*)\]([.^(\[/1\])]*)(\[/\1\])"

Mais ça ne fonctionne pas...

Des idées ?

D'avance merci :D

Le pattern "(\[\w+\])(\w*\s*\w*)(\[\/\w+\])"

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Function Extr(ByVal Tmp As String) As String
Dim Rg As Object, MT As Object, M As Object
Dim T As String
 
Set Rg = CreateObject("vbscript.regexp")
With Rg
    .IgnoreCase = True
    .Global = True
    .Pattern = "(\[\w+\])(\w*\s*\w*)(\[\/\w+\])"
    If .Test(Tmp) Then
        Set MT = .Execute(Tmp)
        For Each M In MT
            T = T & ";" & M.Value               'Ici avec balises
            'T = T & ";" & M.SubMatches(1)      'Tu peux en faire ce que tu veux
        Next M
    End If
End With
Set Rg = Nothing
If Len(T) > 0 Then Extr = Mid(T, 2)
End Function

04/02/2016, 18h39
davido84

Autre pattern à tester à partir de la fonction proposée par mercatog :

Code:

.Pattern = "\[\w].+?\[/\w]"

A+
04/02/2016, 19h00
mercatog

+1 davido84

+100 même s'il veut le résultat avec balises
04/02/2016, 19h40
patricktoulon

heu

bien vu a tout les deux;)
04/02/2016, 21h06
TheMoustic

Merci beaucoup !! :D :D :D

J'ai opté pour ce code d'une simplicité déconcertante :

Code:

reg.Pattern = "(\[\w*])(.+?)(\[/\w*])"

Mais je ne comprends pas cette partie :

Code:

.+?
04/02/2016, 22h11
patricktoulon

re

bonsoir

http://cafeine.developpez.com/access/tutoriel/regexp/
chapitre c5
04/02/2016, 23h28
davido84
Bonsoir et le salut à mercatog et Patrick,

Code:

reg.Pattern = "(\[\w*])(.+?)(\[/\w*])"

Les parenthèse me semblent inutiles vu que tu n'as apparemment pas besoin de capturer des chaînes spécifiques.
Si toutefois tu ne veux pas capturer les balises :

Code:

.Pattern = "\[\w](.+?)\[/\w]"

et utiliser les SubMatches
Code:

1 2 3 4 5 For Each M In MT 'T = T & ";" & M.Value 'avec balises T = T & ";" & M.SubMatches(0) 'sans balise Next M
De plus l'utilisation du "*" ne te sert à rien vu que tu as toujours un digit dans ton exemple (a ou d).

Code:

.+?

le "." équivaut à tout caractère excepté le retour à la ligne.
Le "+" est un quantificateur qui veut dire 1 ou plusieurs caractères.
Donc ".+" te ramène l'ensemble des caractères situés entre la balise entrante et la balise sortante.
Mais il faut avoir à l'esprit qu'un quantificateur est gourmand par défaut.
Donc en l'état le pattern te ramènera toute la chaîne située entre la première balise entrante et la dernière balise sortante.
L'utilisation du point d'interrogation te permet d'indiquer que tu veux arrêter la capture à chaque balise sortante qui se présente.

Donc si tu as

Citation:

Lorem ipsum dolor sit amet, [a]consectetur adipiscing[/a] elit, sed do eiusmod [d]tempor[/d] incididunt ut labore et dolore magna aliqua. Ut enim ad [a]minim[/a] veniam...

Code:

.Pattern = "\[\w].+\[/\w]"

te ramènera

Citation:

[a]consectetur adipiscing[/a] elit, sed do eiusmod [d]tempor[/d] incididunt ut labore et dolore magna aliqua. Ut enim ad [a]minim[/a]

tandis que

Code:

.Pattern = "\[\w].+?\[/\w]"

te ramènera
[a]consectetur adipiscing[/a]
[d]tempor[/d]
[a]minim[/a]

A+
05/02/2016, 13h28
TheMoustic

Merci beaucoup pour les explications. Pour les parenthèses j'ai besoin de récupérer les balises et le contenu. J'ai également rajouté * après la classe word (que j'ai modifié en + pour être plus correct même si dans mon cas ça ne changera rien) car dans mon exemple mes balises n'ont qu'une lettre mais ça n'est pas toujours le cas (j'aurais dû le préciser, mea culpa). Mais pour le reste du code pas de soucis, seul le pattern me posait problème.

Je n'avais pas fait attention la première fois, mais pourquoi le crochet fermant des balises n'est-il pas échappé ?

Code:

reg.Pattern = "(\[\w+])(.+?)(\[/\w+])"

Je comprends mieux le pattern mais j'ai toujours un peu de mal. D'après tes explications davido84, on dirait que le ? est le quantificateur de la balise fermante (alors que le quantificateur se place après le motif concerné non ?).

Au début en lisant le code, voilà ce que je comprenais : tout caractère (sauf \n) répété 1 ou plusieurs fois, répété 0 ou 1 fois. Tu comprends pourquoi je bug ?
05/02/2016, 13h49
patricktoulon

re

re
bonjour si il est échappé ce qui est en bleu est valable pour tout ce qui suit car tout est dans la parenthèse et non dans le crochet
"(\[\w+])
05/02/2016, 15h45
davido84

Citation:

Je n'avais pas fait attention la première fois, mais pourquoi le crochet fermant des balises n'est-il pas échappé ?

L'outil RegExp adapté pour Visual Basic considère 12 métacaractères (je ne parle pas des caractères de saut de page, retour chariot, tabulation, etc.) :

Code:

\^$.|?*+()[{

Le crochet fermant n'en fait pas partie donc il n'a pas besoin d'être échappé.

Citation:

D'après tes explications davido84, on dirait que le ? est le quantificateur de la balise fermante (alors que le quantificateur se place après le motif concerné non ?).

Le ? est en lien avec ".+" et non avec la balise fermante. il indique au pattern de capturer tous les caractères qui précèdent la première balise sortante qu'il détecte. S'il n'y avait pas le ? le pattern capturerait tout ce qui se trouve entre la première balise entrante et la dernière balise sortante, tandis que grâce au "?" la recherche est stoppée au dernier caractère qui précède la première balise sortante trouvée.
Une fois cette correspondance trouvée la recherche reprend et va chercher la deuxième puis la troisième correspondance.

A+
05/02/2016, 23h09
TheMoustic

Ahh okay je pense que j'ai compris. D'une manière générale si "?" suit un quantificateur ça veut dire que le motif suivant le "?" est une sorte de point d'arrêt c'est ça ?
06/02/2016, 11h16
davido84

Cela veut dire qu'un opérateur gourmand va rechercher la plus grande correspondance possible tandis qu'un opérateur non gourmand (utilisation du "?") s'arrêtera à la première correspondance trouvée, la prendra en compte, puis continuera le traitement de la chaîne, trouvera une deuxième correspondance, etc (dans ton exemple il trouvera 3 correspondances).
A+
06/02/2016, 15h56
TheMoustic

Merci beaucoup pour les explications :)