Discussion :

[Shao17]

Bonjour,

Je suis en train d'écrire un script PHP pour isoler dans une chaîne de caractères les mots-clés selon 3 critères :

• mots encadrés par guillemets doubles
• mots encadrés par guillemets simples
• mots non encadrés

Ainsi, je souhaiterais que les mots-clés saisis dans le champ texte soit traités comme dans l'exemple ci-dessous :

Champ texte de saisie des mots-clés :

"Green arrow" Spider-man Groot "Wonder woman"

Résultat attendu :

Green arrow
Spider-man
Groot
Wonder woman

Or, actuellement, un résultat n'est obtenu que par regex sur tous les mots sans tenir compte des guillemets. Il est le suivant :

Array
(
[0] => Array
(
[0] => "Green
[1] => arrow"
[2] => Spider-man
[3] => Groot
[4] => "Wonder
[5] => woman"
)

[1] => Array
(
[0] =>
[1] =>
[2] =>
[3] =>
[4] =>
[5] =>
)

[2] => Array
(
[0] =>
[1] =>
[2] =>
[3] =>
[4] =>
[5] =>
)

)

Si je retire la partie de regex concernant tous les mots "unquoted" alors je n'obtiens qu'un résultat vide. Ce qui veut dire que mes regex sur simples et doubles quotes ne fonctionne pas du tout :

Array
(
[0] => Array
(
)

[1] => Array
(
)

[2] => Array
(
)

)

Voici maintenant le code PHP que j'ai utilisé :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
$tempArray = "";
 
// Putting to the array :
// - double-quoted substrings
// - single-quoted substrings
// - unquoted substrings
$regex_dbquotes = '"(.+)"';
$regex_quotes = '\'(.+)\'';
$regex_unquoted = '[^ ].\S*';                                       // Any non-whitespace character
 
$regex = '/'.$regex_dbquotes.'|'.$regex_quotes.'|'.$regex_unquoted.'/';
 
preg_match_all($regex, $this->searchString, $tempArray, PREG_PATTERN_ORDER);

Comment corriger mes formules regex pour obtenir le résultat recherché ?

[Shao17]

Je viens de comprendre mon erreur. En fait, je transforme toujours les chaînes de caractères issues de formulaires en entités HTML.
Il me fallait donc appliquer mes regex sur " et ' au lieu de " et '.

J'ai modifié les variables regex comme suit :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
$regex_dbquotes = '(").*?(")';
$regex_quotes = '(').*?(')';
$regex_unquoted = '(?!\W+"\b)\b[a-zA-Z0-9-_]+\b(?!\W+"\b)';   // Any word not starting with " and '
 
$regex = '/'.$regex_dbquotes.'|'.$regex_quotes.'|'.$regex_unquoted.'/';

D'où la chaîne regex suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
/(").*?(")|(').*?(')|(?!\W+"\b)\b[a-zA-Z0-9-_]+\b(?!\W+"\b)/

Ce qui me donne le résultat suivant :

Array
(
[0] => Array
(
[0] => "Green arrow"
[1] => Spider-man
[2] => Groot
[3] => 'Wonder woman'
)

[1] => Array
(
[0] => "
[1] =>
[2] =>
[3] =>
)

[2] => Array
(
[0] => "
[1] =>
[2] =>
[3] =>
)

[3] => Array
(
[0] =>
[1] =>
[2] =>
[3] => '
)

[4] => Array
(
[0] =>
[1] =>
[2] =>
[3] => '
)

)

[Shao17]

Le problème n'est pas entièrement réglé pour autant car j'obtiens un certain nombre de sous-tableaux alors qu'un seul serait plus pratique. Bien sûr, ça peut tout à fait fonctionner si je n'utilise que le 1er sous-tableau. Néanmoins, je ne trouve pas cela très propre.

Donc j'ai besoin de votre pour m'aider à affiner ma regex pour :

• ne pas inclure les " et &#039 ; dans les sous-chaînes à enregistrer,
• ne pas continuer les sous-tableaux car il détecte ensuite individuellement chaque " et &#039 ;

[Shao17]

N'arrivant toujours pas à régler ce problème de sous-tableaux, j'ai dû passer par une conversion des entités HTML en caractères correspondants avant de traiter par regex. Du coup, j'ai aussi recréé mes regex en conséquence.
J'ai donc :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
 
// Decoding the html entities : " and '
$decodedSearchString = html_entity_decode ($this->searchString, ENT_QUOTES);
 
$regex_dbquotes = '(?<=").+(?=")';                                      // Any word(s) enclosed by double quotes
$regex_quotes = '(?<=\').+(?=\')';                                      // Any word(sà enclosed by single quotes
$regex_unquoted = '(?<!"|\')\b[a-zA-Z0-9-_]+\b(?!"|\')';                // Any word not starting with " and '
$regex = '/'.$regex_dbquotes.'|'.$regex_quotes.'|'.$regex_unquoted.'/';
 
preg_match_all($regex, $decodedSearchString, $tempArray, PREG_PATTERN_ORDER);
 
// Displaying the values of the array
print_r($tempArray);

Saisie dans le champ texte de la barre de recherche :

"David Bowie" Spider-man Groot 'Wonder Woman'

Ce code me renvoie :

Array
(
[0] => Array
(
[0] => David Bowie
[1] => Spider-man
[2] => Groot
[3] => Wonder Woman
)

)

[CosmoKnacki]

Le problème c'est que c'est encore faux car si tu as deux passages entre quotes (avec les mêmes quotes) sur la même ligne ça ne marchera pas. D'autre part on peut faire plus élégant en utilisant des groupes de captures et un branch reset (un groupe avec plusieurs alternatives au sein duquel les groupes de capture sont les mêmes dans chaque alternative):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
$str = '"David Bowie" Spider-man "Michèle Torr" Groot \'Wonder Woman\'';
 
$pattern = '~ (?|  \' ( [^\']* ) \'  |  " ( [^"]* ) " |  ( \S+ ) ) ~xu';
 
preg_match_all($pattern, $str, $matches);
 
print_r($matches[1]);

NB: quoi que tu fasses, preg_match_all renvoie toujours un tableau multi-dimensionnel. L'option PREG_PATTERN_ORDER est l'option par défaut, il est inutile de l'indiquer.

[Shao17]

Merci beaucoup CosmoKnacki !
Effectivement ça marche.

L'inconvénient par contre c'est que ça me laisse les " et ' encadrant les groupes de mot.

[CosmoKnacki]

Non, et c'est tout l'intérêt des groupes de capture! Le résultat sans les quotes est dans $matches[1] (groupe de capture 1) pas dans $matches[0] (correspondance complète).

[Shao17]

Ah oui, j'avais oublié que j'appliquais un autre traitement sur le tableau en l'appelant par l'indice 0.
Je te remercie beaucoup, c'est nickel !

Enfin, les regex élégants sont quand même vachement plus imbuvables que les regex de base (s'il y en a) mais content de voir que des experts de ces sujets tendent la main.

[CosmoKnacki]

Ou alors on change carrément de méthode et on utilise preg_split avec l'option PREG_SPLIT_DELIM_CAPTURE:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
$str = '"David Bowie" Spider-man "Michèle Torr" Groot \'Wonder Woman\'';
 
$pattern = '~ \' ( [^\']* ) \'  |  " ( [^"]* ) " | \s+ ~xu';
 
print_r(preg_split($pattern, $str, -1, PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY));

comme ça, pas de tableau multi-dimensionnel.

[Invité]

@CosmoKnacki

"Michelle Torr" ????

[EDIT] J'ai aussi tenté l'exercice hier...
J'en étais arrivé à :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
$regex = '#(?:(?:^|["])([^ ][^"]*[^ ])(?:["]|$))|(?:(?:^|[\'])([^ ][^\']*[^ ])(?:[\']|$))|(?:(?:^|[ ])([^\'"][^\'"]*[^\'"])(?:[ ]|$))#Ui';
preg_match_all($regex, $chaine, $matches, PREG_PATTERN_ORDER);
$results = [];
for($i=1;$i<=3;$i++)
{
	foreach( array_unique($matches[$i]) as $match )
	{
		if( !empty($match) )
		{
			$results[] = $match;
		}
	}
}
var_dump( $results );

J'obtiens "presque" le bon résultat (reste le " devant David), mais j'avoue que ta regex... me laisse pantois.

[CosmoKnacki]

Oui, Michèle Torr, fille d'Odin a parfaitement sa place parmi les héros de comics (le seul intrus dans cette liste étant David Bowie).

Pour ce qui est du " récalcitrant, tu dois inverser tes groupes au début de chaque branche:

• (?:^|") => (?:"|^)
• (?:^|') => (?:'|^)
• (?:^|[ ]) => (?:[ ]|^)

car sinon au début de la chaîne l'ancre ^ gagnera toujours.

[Invité]

Au contraire !
Bowie est "THE HERO" !

car sinon au début de la chaîne l'ancre ^ gagnera toujours.

Bien vu


[EDIT] "Michelle Torr, fille d'Odin"

[CosmoKnacki]

Au contraire !
Bowie est "THE HERO" !

Autant pour moi! On peut d'ailleurs le voir en tenue de combat lors d'un concert en 1973.

[Shao17]

Bien ouéj vous deux !

D'ailleurs, Michelle est Torr-ide.