Discussion :

[Jaynes]

Bonjour,

A partir d'un texte je souhaite supprimer tous les caractères spéciaux et les remplacer par un espace de manière à ne garder en gros que les caractères correspondant au format UTF-8.

Est-ce qu'il y a un moyen raccourci de le faire avec une Regex ou est-ce que je dois rentrer tous les caractères que je veux conserver "à la main" du genre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

plainText.replaceAll("[^\\wàâäÄÀÂéèêëÈÊËìîïÌÏÎòöôÒÖÔùüûÙÜÛç!#$€%&'`(),;:/@...]", " ")

[Uther]

Il faudrait préciser ce que tu appelle caractère spéciaux ou les caractères non spéciaux, ça serait même plus simple. "Les caractères correspondant au format UTF-8" ne veut pas dire grand chose vu que l'utf-8 est une façon d'encoder de l'unicode qui permet de représenter tous les caractères (lettres, chiffres, symboles,...) de presque toutes le langues.

Je pense la pseudo-classe

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\p{L}

qui matche uniquement les caractères qui correspondent à des lettres dans la norme Unicode peut t’intéresser.
Dans ton exemple ça donnerait

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

plainText.replaceAll("[^\\d\\p{L}!#$€%&'`(),;:/@...]", " ")

[Jaynes]

En fait ce que je voulais dire c'est que je souhaitais nettoyer mon texte de tout ce qui n'est ni lettre ni ponctuation.

J'ai essayé le

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\p{L}

mais ça ne marche pas.

Je pense que je vais faire comme j'étais parti, rentrer à la main tous les caractères que je souhaite garder, ce qui me donnerait quelque chose comme ça :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

plainText.replaceAll("[^\\w\\s\\p{Punct}ÀÁÂÄÇÈÉÊËÌÍÎÏÑÒÓÔÕÖÙÚÛÜÝàáâãäçèéêëìíîïñòóôõöùúûüýÿ]", " ");

[Logan Mauzaize]

Tous les caractères occidentaux appartiennent à UTF-8

[Jaynes]

Finalement le \p{L} correspondait bien à ce que je cherchais

Maintenant, j'ai une regex qui va extraire des mots commençant par une majuscule. Mais je voudrais lui rentrer toute une liste de mots qu'elle doit ignorer. Je sais qu'on peut le faire avec une assertion négative mais comme ma liste de mots est assez importante c'est pas le top. Est-ce que c'est possible de relier une regex avec un String[] ? Ou autrement ?

[Uther]

Non.

Je pense qu'il faudra le faire en deux temps.
D'abord, tu récupères les mots qui commencent par une majuscule via un expression régulière du type

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\b\p{Lu}\p{L}*\b

Ensuite tu itères sur les résultats pour retirer ceux qui sont dans ta liste de mots interdits.

[Jaynes]

J'ai un souci avec une assertion négative. Par exemple, si je veux récupérer un mot commençant par une majuscule, sauf s'il se trouve juste après le "mot_interdit". Voila comment serait mon expression régulière

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

((?!mots_interdit)[\\p{Lu}]{2,})

Mais ça ne marche pas, y'a un truc que j'ai pas du capter...

[Uther]

En effet les groupes lookahead (positifs comme négatifs) font une vérification sans consommer pas les caractères. Dans ton cas la recherche va donc porter sur les caractères de ton résultat et non les caractères qui le précèdent.

Si tu veux que la recherche se face sur les caractères précédent ton mot il faut utiliser la forme dite lookbehind : (?<!expression).
Dans ton cas, ca donnerait :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

((?<!mots_interdit)[\\p{Lu}]{2,})

[Jaynes]

Ah ok, merci

J'ai une autre question

Si je veux exclure une chaine de caractères de mon Pattern je mets (?!mot_exclu) au début du Pattern, c'est bien ça? Comme là, où je lui demande de me renvoyer tous les mots sauf "exemple" :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
Pattern p = Pattern.compile("(?!exemple)(\\p{L}+)");
Matcher m = p.matcher("petit exemple");

Le problème c'est qu'au lieu de me renvoyer seulement "petit", il me renvoit

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
petit
xemple

[Uther]

En effet l'expression régulière travaille caractère par caractère: si tu veux limiter au mot, tu peux utiliser le séparateur de mots: "\b"

Dans ton exemple:Pattern p = Pattern.compile("(?!exemple)\\b(\\p{L}+)");

[Jaynes]

ça marche, incollable sur les regex Uther ! merci bien