Discussion :

[jfo88]

Bonjour, dans le cadre d'un projet de développement, je dois travailler avec des expressions régulières. A partir du contenu d'un document, je dois trouver son espace de rangement associé.

Je souhaite donc établir une règle de rangement pour chaque type de document.

Au départ, je voulais réaliser une correspondance du type :

Exemple 1:
Si j'ai "Ingrédient" et "Oeuf" et "Temps de cuisson" -> Mon document est de type "Recette"

Deux problèmes se sont posés, le premier celui des opérateurs ET(logique) qui n'existent pas en regex.
Le second trouver des mot différents dans un fichier à des positions différentes sans utiliser de position absolue.
C'est à dire en utilisant, des position relatives. (Oeuf à la ligne 1 2 ou 42).

Pour le moment voici ce que j'ai réalisé,

(?:^|\r|\n|\r\n)Ingrédient(?:^|\r|\n|\r\n)

Elle me permet de chercher l’élément ingrédient dans tous mon document à des positions relatives. J'aimerai à présent ajouter le fait que "Oeuf" et "temps de cuisson" soit aussi présent au moins une fois dans le document.

[dourouc05]

La syntaxe d'une expression régulière dépend beaucoup du moteur qui se charge de l'exécution . Des expressions régulières Perl ou JS ne se ressembleront pas, n'auront pas les mêmes fonctionnalités… Quel langage utilises-tu ?

(Maintenant, bon, si tu ne fais que de la recherche d'une chaîne de caractères exacte, les expressions régulières… c'est un peu le bazooka pour tuer une mouche !)

[jfo88]

Je suis obligé d'utiliser des expressions régulières car mon projet l'impose.

Les expressions régulières qui peuvent être saisies pour rechercher une séquence de caractères dans le nom, la localisation (chemin) ou le contenu du fichier doivent être exprimées dans un format compris par les expressions régulières de Java (voirhttp://cyberzoide.developpez.com/tutoriels/java/regex/).

Je suis bien d'accord que l'utilisation d'expression régulière est exagéré, mais je n'ai pas le choix

[Flodelarab]

Bonjour

D'un point de vue "théorique" algorithmique, je ne sais pas.
Mais d'un point de vue "manipulation de fichiers texte", les habitués du sous-forum Linux/"Shell et commandes GNU" font la répartition des fichiers en fonction de leur contenu, les doigts dans le nez avec awk, par exemple.

Exemple de commande:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

awk 'BEGIN{i=0;o=0;t=0;} /Ingrédient/{i++;} /Oeuf/{o++;} /Temps de cuisson/{t++;} ENDFILE{print "Le fichier contient",i,"ingrédients,",o,"oeufs,",t,"temps de cuisson.";i=0;o=0;t=0;}' fichiers

[CosmoKnacki]

Tu devrais poster un ou deux exemples significatifs de documents pour bien expliquer ton problème (et permettre des tests) et demander à un modérateur de déplacer ta question dans le forum Java (car je plussoie dourouc05 quant à la particularité de chaque moteur d'avoir et sa propre syntaxe, et son propre lot de possibilités, ses propres méthodes, mais aussi ses propres comportements).

D'autre part, il est préférable pour éviter toute confusion avec la notion d'"expression régulière" des sciences de l'informatique qui se cantonne à la description de langages dits réguliers, de lui opposer le terme de "regex" qui lui désigne plutôt les expressions utilisées en pratique par les outils actuels et qui peuvent outrepasser, pour certains, cette limitation (ce n'est pas le cas de tous car il y a des avantages et des désavantages de part et d'autre). C'est par exemple le cas en ce qui concerne le moteur de regex de Java.

C'est vraiment dommage que tu sois obligé d'en passer absolument par une regex, car du point de vue de la performance pour ce que tu cherches à faire ce n'est vraiment pas la panacée. Ce serait bien plus rapide de chercher les mots un par un avec des fonctions basiques.

Pour garantir la présence de plusieurs mots dans une même chaîne, on utilise généralement quelque chose comme ça, à base de tests avant (lookahead):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\A(?s)(?=.*mot1)(?=.*mot2)(?=.*mot3)

d'ailleurs on peut s'en passer pour le dernier:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\A(?s)(?=.*mot1)(?=.*mot2).*mot3

Un lookahead n'a pas de largeur et ne consomme pas de caractères. C'est juste un test qui permet de savoir si à partir de la position courante, une sous-pattern réussi ou non (le but est de contrôler ce qui se passe plus avant). Passé ce test, le reste de la pattern est étudié à partir de la même position.

Le \A désigne le début de la chaîne, (?s) est un modificateur "en ligne" (inline modifier) qui stipule que le point peut représenter tous les caractères y compris le caractère \n (LF).

(?=...) est donc le test avant (qui ne consomme pas de caractères, il se contente de tester pour voir si la sous-pattern qu'il contient réussie à la position actuelle et revient à cette position ensuite ou fait échouer la pattern si la sous-pattern échoue.)

Si on veut s'assurer que mot1, mot2, mot3 sont bien des mots à part entière et ne font pas partie d'un autre mot, on peut aussi les encadrer avec des limites de mots (word boundaries: faire une recherche pour bien comprendre ce dont il s'agit et leur relation avec la classe de caractère \w):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

\A(?s)(?=.*\bmot1\b)(?=.*\bmot2\b).*\bmot3\b

Ces patterns sont écrites pour la méthode find(). L'idéal serait d'utiliser la méthode lookingAt() en enlevant le \A qui serait alors implicite. Pour ce qui est de la méthode matches(), enlève le \A et ajoute .* à la fin pour décrire toute la chaîne.

[jfo88]

Pour être un peu plus complet dans les informations que je vous ai fournis.
Voici un exemple de document que j'ai extrais

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
Fichier PDF d'exemple
Le Portable Document Format (qui se traduit de l'anglais en « format de document
portable »), généralement abrégé PDF, est un format de fichier informatique créé par
Adobe Systems. C'est un format ouvert dont les spécifications sont publiques et
utilisables librement (certains éléments sont à disposition sur le site Adobe). Il est
dérivé du format PostScript et contient des données au format XML.
Le format PDF est un format de fichier qui préserve les polices, les images, les objets
graphiques et la mise en forme de tout document source, quelles que soient l'application
et la plate-forme utilisées pour le créer. Les fichiers PDF peuvent être créés avec des
options personnalisées, tant aux niveaux de la compression des images et des textes,
de la qualité d'impression du fichier, ainsi que du verrouillage (interdiction d'impression,
de modification...).
Le format PDF n'est pas un format statique mais un format interactif. Il est en effet
possible (grâce à Acrobat Pro) d'incorporer des champs de textes, des menus
déroulants, des choix, des calculs... sur un document universel PDF : on parle alors de
formulaire PDF.
Le PDF est consultable sur de très nombreux appareils communicants (ordinateurs,
assistants personnels numériques / PDA, nouveaux téléphones hybrides...). En effet, le
lecteur gratuit, nommé « Adobe Reader » est disponible sur de très nombreuses
plateformes et systèmes d'exploitations : Mac OS, Windows, Linux, Palm OS, Pocket PC,
Symbian OS, Sun Solaris Sparc, IBM AIX, HP-UX, OS/2 / Warp... De nombreux autes
lecteurs dont certains sont des logiciels libres, existent également. La génération de
documents dans ce format est possible à l'aide de logiciels spécialisés, d'imprimantes
virtuelles mais elle est également possible automatiquement dans certaines suites
bureautiques. C'est ainsi que ce format universel est considéré comme le format
mondial d'échange (et d'archivage) de documents électroniques.
Il existe des variantes du format PDF de base, dit PDF 1.3 ou 1.4, des versions «
rastérisées » (la rastérisation consiste à transformer les textes modifiables en images
matricielles figées accompagnées des images d'illustration) dites PDF-IT et PDF-X. Cette
version est principallement utilisée dans l'industrie graphique lors de la séparation des
couleurs en quadrichromie, au niveau du RIP.
Une nouvelle forme de fichiers PDF voit actuellement le jour. Dans ce dernier, le fichier
image du texte est transformé en vecteurs au lieu d'un fichier bitmap, ce qui permet
l'allégement du fichier ainsi que la capacité d'être agrandi à l'envie.

En gros j'ai fais un Ctrl+A et Ctrl+V dans un sublime texte et j'effectue mes tests dessus.

Par exemple si mon expression régulière trouve "adobe reader"+"pdf" = TRUE (règle de rangement)
Je range mon fichier dans le dossier "Adobe".

En gros je voudrais réaliser des règles de rangements de fichier par rapport à leur contenu.
Si l'expression régulière est vrai, j'associe le fichier à son espace de rangement favoris (géré par ailleurs).

Plusieurs informations utiles, je ne peu pas faire appel à des fonctions tels que matches() ou find() dans ma zone de saisie regex.

J'ai essayé ton code Cosmo, mais je n'ai pas l'impression que ça fonctionne. J'ai pris une ligne au hasard dans le texte en remplaçant les trois mots par des mots de la ligne.
Le test regex me renvois

"[]".

[Flodelarab]

Mouai. Tu ne précises pas grand chose. Ce que tu dis, nous l'avions compris.

Si tu mets les "Adobe reader" dans "Adobe" et les "Silverlight" dans "Silverlight", si un texte contient les deux, est-ce que tu mets le texte dans les deux ? Un dossier spécial de regroupement ? Seulement le plus présent ?...

Est-ce que tu as un fichier csv qui associe les expressions et le dossier qui leur est associé comme cible ?

Est-ce que tu peux préciser ton système d'exploitation ? ton langage de programmation ? Bref, le contexte technique précis ?

[jfo88]

J'ai juste besoin de faire la règle car le reste est déjà fais.

Après je peux décrire le fonctionnement pour l'intérêt général, mais moi ça ne m'aide pas dans mon projet.

Je travail dans une GED (gestionnaire en ligne de document).

Elle fonctionne comme ça:

je prends le document
je le test à la règle de rangement n°1 : si vrai, je range et je passe au fichier suivant sinon, je passe à la règle n°2
je le test à la règle de rangement n°2 : si vrai, je range et je passe au fichier suivant sinon, je passe à la règle n°3
...
Je n'ai pas trouvé de règle me permettant de dire à quel espace de rangement le fichier est associé donc je met le fichier dans le dossier "A ranger manuellement".


J'espère que ça vous aidera.

J'ai effectuer des tests supplémentaires sur le code que tu as fournis Cosmo, mes règles fonctionnent.
J'ai remarqué que ta regex fonctionne dans cet ordre : mot1, mot2, mot3
Penses-tu qu'il serait possible de la faire fonctionner dans n'importe quel ordre ?
Certainement avec un retour chariot à chaque fois qu'il trouve un mot?

Je vais poursuivre mes tests.

Voici un exemple de test concret :