Discussion :

[renaud26]

Bonjour à tous,

Je cherche à remplacer les nombres et un tiret en début de chaîne. Par exemple :

1234-abcd/abcd/abcd devient abcd/abcd/abcd
02-abcd/abcd/abcd devient abcd/abcd/abcd
567-abcd/abcd/abcd devient abcd/abcd/abcd

etc...il peut y avoir un certain nombre de chiffres suivis d'un tiret, l'ensemble doit disparaître

J'ai essayé pas mal de truc dont

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$nonumber = preg_replace("/^[0-9-]/", "", $str);

Mais jamais le résultat obtenu ne convient, alors je veux bien de l'aide.
D'avance merci.

[Obsidian]

Bonjour,
Essaie avec :

Code PHP :

Sélectionner tout - Visualiser dans une fenêtre à part

preg_replace("/^[0-9]*-/", "", $str);

[renaud26]

Bonjour et merci, c'est parfait.

Cependant, afin que je me couche moins bête, peux-tu m'expliquer ?
^ signifie "commence par", c'est exact ?
[0-9] signifie "n'importe quel chiffre", OK ?

Mais pourquoi * avant le tiret ?

[Obsidian]

Bonjour et merci, c'est parfait.

Cependant, afin que je me couche moins bête, peux-tu m'expliquer ?

Certainement.

^ signifie "commence par", c'est exact ?

Plus précisément, c'est le marqueur de début d'expression (l'extrémité gauche), à condition d'être le premier caractère de l'expression. Sinon il est traité comme un caractère ordinaire.
De la même façon, « $ » est le marqueur de fin de chaîne, à condition d'être le dernier caractère de l'expression.

[0-9] signifie "n'importe quel chiffre", OK ?

Plus précisément, là encore, c'est la plage des caractères de 0 à 9, soit l'équivalent de (0|1|2|3|4|5|6|7|8|9). Les crochets servent en fait à spécifier une liste de caractères indépendants, mais si tu mets un tiret entre deux d'entre eux, on considéra que c'est une plage, sauf si, comme tu l'as fait, tu le places à la fin (probablement au début aussi mais je n'ai pas testé). Tu peux préciser plusieurs plages au sein d'une même paire de crochets, associées éventuellement à d'autres caractères indépendants. Par exemple : [A-Za-z0-9+_-].

Mais pourquoi * avant le tiret ?

Le « * » signifie « 0 fois ou plus » l'expression qui précède. Cette expression est donc soit un caractère, la plupart du temps, soit un groupe de caractères entre crochets ou une sous-expression entre parenthèses.
De la même façon, « + » signifie « 1 fois ou plus » ce qui précède, mais il est parfois nécessaire « d'échapper » le caractère en le faisant précéder d'un antislash « \ ».

Il existe également « ? » qui signifie « 0 ou 1 fois », et qui indique donc une expression facultative. Il faut parfois « l'échapper » également.

En licence d'informatique et en école d'ingénieurs, on les étudie mais en dehors de ce cadre, peu de gens savent qu'il s'agit d'un vrai formalisme mathématique et pas simplement d'un langage défini arbitrairement.

L'expression a*, par exemple, signifie en fait « A^* » (avec l'astérisque en exposant, là où il est censé se trouver en principe), soit littéralement « "a" à la puissance * » où la puissance en question est n'importe quel entier naturel, y compris 0. Soit en fait : « a⁰ ∪ a¹ ∪ a² ∪ a³ ∪ a⁴… ». Par ailleurs, lorsque l'on multiplie deux ensembles, on effectue un produit cartésien, qui consiste à associer chaque élément d'un des ensembles à tous les éléments de l'autre, tour à tour, formant ainsi tous les couples possibles (comme à la bataille navale, avec les lignes et les colonnes). Par conséquent, multiplier des singletons (des ensembles à un seul élément) revient à concaténer ces ensembles et c'est pourquoi on considère que le produit de deux lexons est une chaîne formée de ces deux lexons, d'où l'opérateur . en PHP, par exemple.

En conséquence, « aⁿ » voudrait dire « le caractère "a" multiplié n fois par lui-même » et se résoudrait en « aaaaa… ».

Pour en revenir à ta propre expression :

[0-9-] signifie donc « n'importe quel caractère de 0 à 9 ou le tiret, mais une seule fois ». Donc seul le premier caractère de ta chaîne est éliminé ;
[0-9]*- signifie « n'importe quel caractère de 0 à 9, n'importe quel nombre de fois (y compris 0), suivis d'un tiret ». Donc tous les « éventuels » chiffres sont éliminés, suivi du tiret qui les suit, à condition qu'ils soient tous détectés au départ.

Si tu ne veux éliminer que les lignes qui commencent réellement par des chiffres et pas celles qui commenceraient directement par le tiret, tu peux remplacer le « * » par « + », ou écrire [0-9][0-9]*- », ce qui revient au même.

[renaud26]

Je te remercie beaucoup d'avoir pris le temps d'écrire cette explication très détaillée. Effectivement, le sujet est pointu et mérite une étude approfondie.
Je vais creuser car c'est intéressant.
Bon week-end

[renaud26]

Bonjour à tous,

Je me permets de réouvrir ce post, car malgré les explications détaillées de Obsidian, je galère encore et toujours avec les regex
Dans mon exemple, les chiffres et le tirets du début sont bien supprimés, mais je m'aperçois que certaines chaînes en comportent aussi à la fin, suivis de .html :

Par exemple la chaine de base
236-abdcefg-0769503905082.html

doit devenir abcdefg
Ce qui signifie que 236- du début sautent avec le regex de Obsidian, mais j'ai besoin que -0769503905082.html de la fin de chaîne saute aussi.

Donc en gros tout ce qui est après le dernier tiret de la chaîne, y compris le tiret lui même.
Est ce possible en 1 seul passage qui supprimerait 236- et -0769503905082.html ?
J'ajoute, histoire de corser un peu la chose, que certaines chaines se terminent par abcdefg.html et dans ce cas, seul .html doit sauter.

Je précise que des chiffres peuvent se trouver dans la chaîne que je veux garder, par exemple abccde25gh....et que ceux-là ne doivent pas sauter

Merci de votre aide.

[Obsidian]

Bonjour

Je me permets de réouvrir ce post, car malgré les explications détaillées de Obsidian, je galère encore et toujours avec les regex

Dans ce cas, il est bon d'avoir sous le coude le point d'entrée de la documentation des PCRE : https://www.php.net/manual/fr/book.pcre.php
Mets-le dans un bookmark si ce n'est pas déjà fait, ainsi tu seras certain de retrouver rapidement les fonctions et les constantes associées.

Il y a aussi des puzzles en ligne pour s'entraîner à en faire sur des cas vraiment tordus, dans tous les « sens » du terme :
http://alf.nu/RegexGolf
https://rampion.github.io/RegHex/

… Donc en gros tout ce qui est après le dernier tiret de la chaîne, y compris le tiret lui même.
Est ce possible en 1 seul passage qui supprimerait 236- et -0769503905082.html ?

Oui, c'est possible mais ce n'est pas forcément souhaitable non plus. Deux ou trois expressions successives et bien formatées à base de strstr() ou strpos() sont parfois tout aussi claires dans le programme et consomment moins de ressources. Il n'y a aucun problème à utiliser des expressions régulières au 21ème siècle lorsqu'on les maîtrise bien, mais il faut se souvenir qu'elles nécessitent d'être compilées en interne avant usage quand même, donc elles peuvent devenir gourmandes quand on travaille à (très) grande échelle.

Tu serais également bien inspiré d'utiliser strtok à la place, avec $tokens = strtok($str, "-"); pour indiquer qu'il faut découper la chaîne en « jetons » (tokens) en considérant le tiret comme délimiteur. Quelque soit la fin de ta chaîne, il te suffirait de ne conserver que le deuxième jeton, avec $tokens[2]. Tu utiliserais ensuite (ou avant) str_replace pour éliminer l'éventuelle extension « .html », qu'elle existe ou pas.

J'ajoute, histoire de corser un peu la chose, que certaines chaines se terminent par abcdefg.html et dans ce cas, seul .html doit sauter.

Dans ce cas, les chiffres de fin de chaîne et l'extension « .html » doivent être deux motifs distincts.

Je précise que des chiffres peuvent se trouver dans la chaîne que je veux garder, par exemple abccde25gh....et que ceux-là ne doivent pas sauter

En fait, il faut déjà remarquer qu'à l'étape précédente, tu ciblais une sous-chaine au sein de ta chaîne principale, indépendamment du reste. Laquelle pouvait donc ensuite être remplacée par une chaîne fixe, en l'occurrence la chaîne vide « "" ». On n'avait donc pas à se soucier du reste. Il est tout-à-fait possible de faire la même chose « en deux fois » comme tu l'indiques, ce qui serait un bon exercice : cible d'abord la fin de ta chaîne comme on a ciblé le début ensemble, et ensuite essaie de réunifier les deux expressions.

Par contre, si tu veux le faire en une passe, il faut reconnaître « une seule expression » qui soit contiguë et qui intègre le début et la fin de ta chaîne, qu'il faut remplacer. Donc tu es obligé de cibler la chaîne entière.

Cela signifie également que tu veux transformer une chaîne du type « partie1-partie2-partie3 » en « ""-partie2-"" ». Et là, ça signifie que « partie2 » n'est pas une chaîne fixe. Elle doit être reprise du motif reconnu. Là, on sort complètement du formalisme mathématique et en principe, ça ne devrait plus concerner les expressions régulières en elles-mêmes mais, fort heureusement, il existe les « backrefs » ou « références arrières » qui ont été mises en place dès qu'on a commencé à utiliser ces expressions en informatique car elles se sont rapidement avérées nécessaires.

On a dit plus haut que tu pouvais encadrer une expression régulière entre parenthèses « ( ) », l'expression ainsi formée étant elle-même une expression régulière, donc soumise aux mêmes lois et pouvant admettre des opérateurs. On va en avoir besoin pour séparer les trois parties de la chaîne en question.

Il se trouve que les analyseurs les considèrent également comme des « groupes capturants » et certains pensent même que les parenthèses ne servent qu'à ça, alors qu'elles sont nécessaires pour reconnaître certains motifs. L'instruction preg_match_all permettant d'ailleurs de retrouver le motif de chaque groupe et même sous-groupe s'il y a des parenthèses imbriquées.

Pour faire référence au motif reconnu par un groupe, on utilise \1, \2, \3, etc. pour cibler respectivement le premier groupe, le deuxième, le troisième, etc. dans l'expression de remplacement. Il faut également penser à écrire cette expression entre apostrophes ( '\1' ) ou « échapper » le slash pour éviter qu'il soit lui-même considéré comme un caractère spécial : "\\1".

Soit ici :

Code PHP :

Sélectionner tout - Visualiser dans une fenêtre à part

   preg_replace('^([0-9]*-)?([^.-]*)(-[0-9]*)?(\.html)?$', '\2', $str);

Ça devrait fonctionner. On remarque plusieurs choses :

1. L'expression commence par ^ et finit par $. Elle est donc faite pour reconnaître la chaîne entière ou pas du tout.
2. Entre les deux, ne se trouvent que des paires de parenthèses éventuellement suivies de ?, avec rien d'autre entre les deux. La chaîne doit donc être formée de ces quatre motifs dans cet ordre, mais trois de ces motifs sont optionnels ;
3. Le premier groupe contient [0-9]*-, c'est-à-dire « n'importe quel nombre de chiffres de zéro à neuf, suivis d'un tiret », ce qui est le motif décrit dans les précédents posts. On voit ici qu'il est traité comme une expression régulière à part entière et, une fois que c'est fait, intégré au sein d'une expression plus grande. L'étoile * à la place de + permet de reconnaître « zéro chiffre » et de reconnaître les chaînes qui commencent directement par un tiret, celui-ci étant considéré comme le vrai délimiteur ;
4. Ce groupe est suivi par un deuxième groupe qui ne contient que .*. Le point . signifie ici « n'importe quel caractère ». « .* » signifie « donc n'importe quel caractère répété n'importe quel nombre de fois (y compris 0) ». Ça veut dire qu'une telle expression peut donc reconnaître un seul caractère comme elle peut reconnaître le reste de la chaîne et dans ce cas, ce sera tout l'un ou tout l'autre (on parlera du mode greedy plus tard). Cela signifie surtout qu'il peut y avoir plusieurs solutions mais ici, l'expression n'est pas complète et l'analyseur choisira la solution qui permet de l'honorer entièrement. On va voir dans un instant qu'il ne peut y en avoir qu'une seule ;
5. Le suivant est (-[0-9]*)?. C'est donc l'opposé du premier : un tiret d'abord suivi d'une suite optionnelle de chiffres. Cette expression est encadrée dans des parenthèses suivi d'un ?. Donc elle doit être reconnue exactement « 0 ou 1 fois », mais intégralement. L'étoile permet donc de reconnaître le tiret sans les chiffres mais il n'est pas possible de reconnaître les chiffres sans le tiret ;
6. Vient enfin (\.html)?. On remarque que le point est échappé pour être considéré comme un caractère ordinaire. Suit l'extension, que tu peux éventuellement remplacer par [A-Za-z]+ pour éliminer toutes les extensions et pas seulement « .html », si tu es certain qu'elles ne contiendront que des lettres ;
7. L'expression se termine par $, marqueur de fin de chaîne : cela impose à ta chaîne de se terminer par le dernier motif cité puisqu'il n'y a rien entre lui et cet opérateur. Cependant, ce motif est optionnel à cause de ?, donc il peut être correspondre à la place à une chaîne vide. Dans ce cas, ce serait le motif précédant mais lui aussi peut être optionnel. On arrive au précédent .* qui est obligatoire, et la seule façon de le remplir est de couvrir toute la chaînes jusqu'à ces deux motifs, donc jusqu'à la fin de la chaîne s'ils sont vides.

On peut encore raffiner un tout petit peu la chose en tenant compte d'éventuels blancs en début et fin de chaîne, si elles ont été lues sur un écran ou saisies dans un champ. Dans ce cas, le plus simple reste de passer trim($str) plutôt que $str seule, mais il est possible de traiter ce cas à l'intérieur de l'expression régulière également, ce qu'on laissera en exercice au lecteur. :-)

UPDATE : j'ai écrit l'expression ici sans la tester et donc, je me suis moi-même fait avoir : si les deux derniers motifs sont optionnels, alors (.*) peut être bien reconnaître la chaîne jusqu'à son extrémité. On est donc en présence d'une « ambiguïté » dans le sens technique du terme, c'est-à-dire une expression pouvant être interprétée de plusieurs façons différentes.

J'ai donc remplacé (.*) par ([^.-]) pour dire que l'on considère que la partie centrale ne contient ni point ni tiret.

On remarque dans cette dernière expression que ^ au début d'une paire de crochet est l'opérateur de négation : on cible les caractères qui ne sont PAS dans la plage. On souligne également que comme le point . est à l'intérieur des crochets, il est considéré comme un caractère ordinaire et n'a pas besoin être échappé.

[SpaceFrog]

Au lieu d'un replace tu pourrais passer par un match vu que tu souhaites ne garder qu'une suite alpha ...

https://regex101.com/r/TLXRMC/1
suffit ensuite de concatener

[CosmoKnacki]

Plus précisément, c'est le marqueur de début d'expression (l'extrémité gauche), à condition d'être le premier caractère de l'expression. Sinon il est traité comme un caractère ordinaire.
De la même façon, « $ » est le marqueur de fin de chaîne, à condition d'être le dernier caractère de l'expression.

Attention! ^ marque le début de la chaîne sujet et il peut-être placé n'importe où dans la pattern. En aucun cas il est traité comme un caractère ordinaire, et ce, même s'il n'est pas placé au début. Donc pour figurer le caractère littéral ^ dans une pattern, il doit être échappé \^.

Cas particulier des classes de caractères: dans une classe de caractères, ^ est utilisé pour figurer la négation de la classe s'il est placé au début de la classe (exemple: [^0-9] tout ce qui n'est pas le rang de 0 à 9). Lorsqu'il n'est pas en première position dans une classe, alors là oui, il n'a plus de signification spéciale (exemple: [0-9^] le rang de 0 à 9 ou un accent circonflexe). Donc si on veut absolument le placer en première position dans la classe, on doit l'échapper d'un antislash, et ce, même s'il définit le début d'un rang (exemples: [^-a] tout ce qui n'est pas un tiret et la lettre minuscule "a", alors que [\^-a] le rang allant de ^ à a, soient les caractères ^, _, ` et a ).

$ marque la fin de chaîne mais il est ambiguë car ce n'est pas toujours le cas. Il marque aussi la fin de la dernière ligne de la chaîne, si celle-ci est suivie d'un saut de ligne avant la fin de la chaîne, exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
echo preg_match('~abcd$~', 'abcd'); // 1    ok, rien d'étonnant
echo preg_match('~abcd$~', "abcd\n"); // 1   on est pourtant pas à la fin de la chaîne

Pour lever l'ambiguïté de $, il faut ajouter le modificateur global D qui correspond à l'option PCRE2_DOLLAR_ENDONLY. Ainsi on obtient bien le resultat escompté:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

echo preg_match('~abcd$~D', "abcd\n"); // 0

Pour ma part, je préfère utiliser le couple \A \z (A majuscule et z minuscule) pour figurer le début et la fin de chaîne, car ils n'y a pas l'ambiguïté pré-citée et leur signification ne change pas avec le modificateur m.

---

Sinon en partant de la pattern de départ, disons ~^[0-9]+-~, on peut ajouter des alternatives séparées pour gérer les autres cas:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
echo preg_replace('~^[0-9]+-|-[0-9]+(?:\.html)?$|\.html$~D', '', $str);
// ou encore
echo preg_replace('~\A[0-9]+-|-[0-9]+(?:\.html)?\z|\.html\z~', '', $str);

De cette manière, pas besoin de capturer, on se contente d'éliminer.