expression régulière complexe

Version imprimable

Bonjour à tous,

J'a un fichier excel, contenant plusieurs lignes que je lis et peux ensuite placer dans un array, ou un string, peu importe, ce qui est le plus simple.

J'ai trois valeurs possibles, fixes :
777
888
999

Disons que j'appelle V si la valeur est une des ces 3 possibilités et X si c'est autre chose.

Je voudrais vérifier que la ligne est de type différent de XXXXVVVVVVVVVVVVVVVVVVVVVVVVV ou XXVVVVVVVVVVVVVVVVVVVVVVVVVVV en bref (X)i(V)j avec i+j inconstant car les dernières valeurs des lignes peuvent être manquantes. Je veux ne garder que les lignes de type : XXXXVVVVXVVVVVXVVVVVXVVVVV ... où les V sont espacés par au moins un X (et aucun V ça convient également).

La ligne commence toujours par quelques X, lesquels suivis soit que de X, que de V, ou d'un mélange des 2. Une ligne ne contenant que des X est à garder.

X peut-être n'importe quoi, alphanumérique, des caractères de ponctuation, des espaces. C'est parfois même quelques phrases.

Si X est en fin de ligne, il peut être vide (ligne plus courte de 1 ou plusieurs valeurs).

Exemple de données :

Code:

1
2
3
4
5
6
7
8
9
10
ID	Schedule	Diagnosis	Subject age (days)	BAIYOUTHSELF[1]	BAIYOUTHSELF[2]	BAIYOUTHSELF[3]	BAIYOUTHSELF[4]	BAIYOUTHSELF[5]	BAIYOUTHSELF[6]	BAIYOUTHSELF[7]	BAIYOUTHSELF[8]	BAIYOUTHSELF[9]	BAIYOUTHSELF[10]	BAIYOUTHSELF[11]	BAIYOUTHSELF[12]	BAIYOUTHSELF[13]	BAIYOUTHSELF[14]	BAIYOUTHSELF[15]	BAIYOUTHSELF[16]	BAIYOUTHSELF[17]	BAIYOUTHSELF[18]	BAIYOUTHSELF[19]	BAIYOUTHSELF[20]	Total Score	Anxiety Score	TT
3.25322E+11	A	TX	9886	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	999		
8.48677E+11	A	UVSX	8497	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	999		
5.88049E+11	B	UVSX	4414	0	1	0	0	1	2	0	0	0	1	1	0	0	0	1	0	0	0	1	0	8	40	32
3.96869E+11	B	TX	5753	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	0	0	2	40	62
1.45898E+11	A	UVSX	8783	777	0	777	777	1	777	777	777	0	777	777	777	777	777	777	777	777	777	777	777	999	21	7
7.08755E+11	B	UVSX	4525	0	1	0	1	0	0	1	0	0	1	1	0	0	0	0	3	0	1	0	0	9	41	48
7.84342E+11	B	TX	6049	0	0	0	0	0	1	1	0	1	0	0	0	0	0	0	0	0	0	0	0	3	41	4
3.96186E+11	A	UVSX	10064	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	999		
4.94384E+11	A	UVSX	10065	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	999

J'ai laissé les en-têtes que ce soit plus simple à comprendre. Il y a 2 dernières colonnes, optionnelles, qui ont été ajoutées et contiennent 'Total Score Anxiety Score' et 'TT'. Dans cet exemple, je voudrais supprimer les 2 premières et les 2 dernières lignes. J'ai beaucoup de fichiers à traiter, la majorité n'a pas ces colonnes optionnelles. Dans cet exemple, les lignes à supprimer n'ont pas de dernières valeurs, mais je ne sais pas si c'est toujours le cas.

Autre exemple de fichier : il ne faut supprimer que la 9ième ligne.

Code:

1
2
3
4
5
6
7
8
9
10
11
3.25322E+11	TUIT	A	ASD	8739	1	2	2	1	1	2	2	2	1	2	2	2	1	1	1	1	2	2	777	4	4	777	777	4	6	4	777	4	4	4	777	777	777	777	7	7	1	777	Y	777	777
8.48677E+11	TUIT	A	ASD	8857	0	1	2	2	0	0	0	2	1	1	1	1	0	0	0	1	2	2	777	777	14	17	777	777	777	16	777	777	777	777	777	777	777	777	10	12	1	Y	Y	Y	Y
5.88049E+11	TUIT	A	ASD	10779	2	2	2	1	1	2	2	2	1	2	2	2	2	2	2	2	2	2	5	5	28	777	777	28	15	20	777	5	5	5	5	5	15	15	20	15	1	Y	Y	Y	Y
3.96869E+11	TUIT	A	ASD	9134	1	1	1	0	1	2	0	1	1	1	1	0	0	2	0	0	1	1	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	-2	777	777	777	777
1.45898E+11	TUIT	A	TD	9797	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	0	777	777	777	777
7.08755E+11	LCG	A	TD	8860	1	1	1	1	1	0	0	1	1	1	0	0	1	1	1	1	0	0	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	0	777	777	Y	777
7.84342E+11	LCG	A	TD	7732	1	1	1	0	0	1	1	1	1	1	0	0	1	0	0	1	0	0	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	-2	Y	Y	777	Y
3.96186E+11	LCG	A	TD	7785	1	0	0	0	1	0	0	0	1	1	0	0	0	0	1	1	0	0	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	0	777	777	777	777
4.94384E+11	LCG	A	TD	7525	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777
9.27091E+11	LCG	A	ASD	10064	0	1	2	0	0	0	0	1	1	1	0	0	0	0	0	1	0	0	777	777	20	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	-2	777	777	Y	777
1.38536E+11	LCG	A	ASD	10065	1	2	0	2	2	1	1	2	2	3	1	2	1	2	1	1	0	0	777	14	777	14	19	777	777	14	19	3	777	3	777	3	777	777	777	777	1	777	777	Y	Y

Avez-vous des suggestions sur comment procéder ? Qu'est-ce qui serait le plus simple ? Est-ce possible par une seule expression régulière ou plus simple par une boucle testant les valeurs de la ligne une à une ?

Merci beaucoup pour votre aide,

24/11/2016, 12h36
vttman

Bêtement, si l'on substitue / remplace tous les "777","888","999", par rien (ou "") dans notre chaine à analyser
puis que l'on compare ce résultat à "" : Si "" je vire sinon je garde ?
24/11/2016, 12h52
Jasmine80

Merci pour ta réponse, mais je ne pense pas que ça fonctionnerait, vu que les lignes ne seront jamais vide à cause des valeurs des X en début de ligne toujours présentes. A moins que je ne supprime toutes les premières valeurs différentes de V et que je coupe ma ligne de donnée pour ne gardé que la fin. je vais y réfléchir.

Sinon, j'ai changé mon script, toutes mes lignes ont maintenant le même nombre de données, car les cellules vides en fin de tableau (excel) sont remplacée par ''.
24/11/2016, 14h31
vttman

On peut avoir ce script ?
24/11/2016, 14h52
CosmoKnacki

Tu peux essayer avec ça:

Code:

perl -ne'print if (/(?:\t(?:777|888|999))++\t\S/ or !/\t(?:777|888|999)(?:\t|$)/)' file

la première condition vérifie qu'il y a au moins une séquence de 777,888,999 suivie d'autre chose (garanti par le quantificateur possessif), la deuxième consiste juste à accepter les lignes ne contenant aucun 777,888,999.
24/11/2016, 15h05
Philou67430

L'algorithme est relativement "complexe", et dans un premier temps, avant de voir s'il est possible de factoriser les traitements, je procèderais ainsi :
- lecture de tout le fichier dans un tableau de tableaux (en excluant la première ligne avec les entêtes)
- pour chaque ligne, j'ajoute une colonne (0) par exemple qui contiendra join "", map /777|888|999/ ? "V", "X", @{$table[no_ligne]}[4..32]
- pour chaque ligne, effectuer le filtrage avec les VX sur le premier élément de la ligne

Par contre, je ne suis pas sûr d'avoir bien compris le filtrage des lignes avec les VX ...
24/11/2016, 16h00
Jasmine80

Merci beaucoup pour toutes vos réponses, je vais voir un peu tout cela et je reviens vers vous !
24/11/2016, 17h55
Lolo78
Et en ne vérifiant que la fin de la ligne, avec un nombre minimum (à déterminer par toi) de groupes de 777, 888 ou 999:
Code:

1 2 print unless /(777|888|999){10,}\s*$/;
(Ici, j'ai choisi 10 groupes au minimum, à toi d'adapter à tes données.)
25/11/2016, 12h15
Jasmine80

Mes données sont placées dans un tableau de tableau : $all_values[$col][$row]= $val;

J'ai suivi le conseil très avisé de Philou et analysé mes fichiers de données, mais je n'ai pas utilisé le map suggéré.

5 fixes - XV var - 0-33 opt

1) toujours 5 premières colonnes fixes
2) puis nombre variable de colonnes avec les 777/888/999 à analyser afin de savoir si je garde ou non la ligne
3) 0 à 33 dernières colonnes 'optionnelles', généralement vides dans les colonnes à rejeter, mais pas toujours parfois : 777, 999, 0 ou X

Si je supprime les 5 premières valeurs de la ligne, je dois donc vérifier que j'ai ce motif (lignes à exclure) = {777|888|999}n{777|999|0|X}[0-33]

Je vais quand même revoir également vos idées et vérifiser que je n'ai pas raté quelque chose d'important. Merci à vous tous.

Code:

1 2 my $line = '7.08755E+11 LCG A TD 8860 1 1 1 1 1 0 0 1 1 1 0 0 1 1 1 1 0 0 777 777 777 777 777 777 777 777 777 777 777 777 777 777 777 777 777 777 0 777 777 Y 777'; print join "", map /777|888|999/ ? "V" : "X", split ("\t", $line)[5..10];
En utilisant [5..10], le code ci-dessus ne fonctionne plus.
Comment faire pour prendre toutes les valeurs de l'array sauf les 5 premières ?

Merci.

29/11/2016, 11h53
Philou67430

Il faut écrire : @array[5 .. $#$array] :)

Code:

1
2
3
my $line = '7.08755E+11	LCG	A	TD	8860	1	1	1	1	1	0	0	1	1	1	0	0	1	1	1	1	0	0	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	777	0	777	777	Y	777';
my @tab = split ("\t", $line);
print join "", map /777|888|999/ ? "V" : "X", @tab[5 .. $#tab];

A oui, sur deux lignes ça fonctionne, merci Philou.