Recherche de chaine avec RegexRésolu

Question

Bonjour, Je cherche à retrouver une séquence spécifique dans un texte. Pour être plus précis, je recherche le nom des images référencées dans une page html. Pour cela, j'utilise l'expression régulière suivante: src="(.*\.gif|.*\.jp[e]?g|.*\.png)" Cette expression fonctionne à peu près, avec les inconvénients majeurs ci-dessous: Quand le texte cible comporte plusieurs fois de suite la chaine cherchée, le match me ramène l'ensemble des deux. En fait, la valeur renvoyée dans group[1].value commence bien juste après le premier 'src="' mais se termine au dernier guillemet de la N-ième chaine cherchée. Exemple : Chaine cible :

Voyage au Myanmar
me renvoie : drapeau_myanmar.png" width="132" height="87" class="ImgL">

me renvoie : images/Pano.jpg" alt="Pano.jpg au lieu de images/Pano.jpg Quelqu'un peut-il m'éclairer sur la modification de l'expression régulière pour obtenir le résultat souhaité ? Ci-dessous le code d'exploitation de l'expression régulière (lvwResults est un ListView affichant le résultat des recherches). private void btnSearch_Click(object sender, EventArgs e) { lvwResults.Items.Clear(); string Rx = new Regex("src=\"(.*\.gif|.*\.jp[e]?g|.*\.png)\"", RegexOptions.IgnoreCase); MatchCollection Matches = Rx.Matches(txtSource.Text); if (Matches.Count == 0) { lvwResults.Items.Add("Non trouvé."); return; } foreach (Match match in Matches) foreach (Group group in match.Groups) { if (group == match.Groups[0]) continue; ListViewItem Item = new ListViewItem(); Item.Text = group.Value; Item.SubItems.Add(group.Index.ToString()); lvwResults.Items.Add(Item); } }

Whismeril · Answer

Bonjour

et si à la place de plusieurs groupes on faisait en sorte que les captures ne prennent que le chemin de l'image et qu'il y ait une capture par chemin?

(?<=src=")\w*(?:\.gif|\.jp[e]?g|\.png)

Un exemple utilisant le lien ci dessous
http://regexstorm.net/tester?p=%28%3f%3c%3dsrc%3d%22%29%5cw*%28%3f%3a%5c.gif%7c%5c.jp%5be%5d%3fg%7c%5c.png%29&i=%3cp+class%3d%22TitrePage+%22%3e+%3cimg+src%3d%22drapeau_myanmar.png%22+width%3d%22132%22+height%3d%2287%22+class%3d%22ImgL%22%3e+%3cimg+src%3d%22drapeau_boudhiste.png%22+width%3d%22136%22+height%3d%2289%22+class%3d%22ImgR%22%3e+Voyage+au+Myanmar%3cbr%3e+%3cimg+src%3d%22drapeau_boudhiste1.png%22+width%3d%22136%22+height%3d%2289%22+class%3d%22ImgR%22%3e+Voyage+au+Myanmar%3cbr%3e

MGD Software · Answer

Bonjour Whismeril. Toujours à l'écoute. Cela faisait un moment qu'on n'avait pas discuté. J'ai failli crier de joie... jusqu'à ce que j'applique la formule magique à mon appli C# : je n'obtenais aucun résultat (:-( Après une étude en pas à pas, j'ai découvert un truc curieux: alors qu'avec mon expression initiale chaque match avait 2 groupes ([0] = le match entier, [1] = capture), avec cette nouvelle expression chaque match n'a plus qu'un seul groupe qui contient la capture. J'avoue ne pas comprendre du tout ce changement de fonctionnement. Je ne comprends pas non plus le début de l'expression. En particulier, je ne comprends pas la signification des caractères ?<= Pour moi, le point d'interrogation signifie "Une ou zéro fois le caractère précédent". Or il n'y en pas... Ensuite, à quoi correspond le "<=" ? A ma connaissance, ce ne sont pas des caractères spéciaux. Il faudrait donc que le mot src soit précédé des ces deux caractères. Or ils ne le sont pas, et l'expression fonctionne. Grand mystère pour moi ! Ensuite, la séquence ?<=src=" est placée entre parenthèses. Elle devrait donc sortir dans les captures, ce qui n'est pas le cas. Quid?? Enfin, je ne comprends pas la séquence ?: placée dans la seconde capture. J'ai encore pas mal de progrès à faire concernant les expressions régulières... Cependant, la requête ne fonctionne pas dans tous les cas. Exemple : Dans le texte

il ne sort que maquette_kuthawdaw.png. Et cela ne vient pas du C#, le site regexstrom donne la même chose. A priori, l'expression ne supporte pas le chemin dans l'URL de l'image. Peut-être le \w* qui filtre (ce caractère générique ne comprend pas les slashes). J'ai tenté de le remplacer pas [\w/]* mais cela ne fonctionne pas. Je pense qu'il va falloir encore gratter avant d'obtenir une expression qui couvre tous les cas. C'est bien de ne pas ramener de texte supplémentaire, mais il faudrait récupérer toutes les occurrences. En tous cas, ma routine est singulièrement simplifiée : MatchCollection Matches = Rx.Matches(txtSource.Text); foreach (Match match in Matches) { ListViewItem Item = new ListViewItem(); Item.Text = match.Value; Item.SubItems.Add(match.Index.ToString()); lvwResults.Items.Add(Item); } J'ai découvert par la même occasion le site regexstorm, qui peut s'avérer très utile. Si je l'avais connu plus tôt, je ne me serais pas échiné à faire une appli exprès pour tester les expressions régulières. Merci pour le coup de main.

Whismeril · Answer

Après une étude en pas à pas, j'ai découvert un truc curieux: alors qu'avec mon expression initiale chaque match avait 2 groupes ([0] = le match entier, [1] = capture), avec cette nouvelle expression chaque match n'a plus qu'un seul groupe qui contient la capture.
Oui je l'ai fait exprès, je n'ai pas dû être assez clair
et si à la place de plusieurs groupes on faisait en sorte que les captures ne prennent que le chemin de l'image et qu'il y ait une capture par chemin?

J'ai tenté de le remplacer pas [\w/]* mais cela ne fonctionne pas. oui, parce qu'il faut ajouter les -
(?<=src=")[\w/-]*\.(?:gif|jp[e]?g|png)
http://regexstorm.net/tester?p=%28%3f%3c%3dsrc%3d%22%29%5b%5cw%2f-%5d*%5c.%28%3f%3agif%7cjp%5be%5d%3fg%7cpng%29&i=++++++++++%3cp%3e%3cimg+src%3d%22maquette_kuthawdaw.png%22+width%3d%22907%22%3e%3c%2fp%3e%0d%0a++++++++++%3cp+class%3d%22centered%22%3e%3cimg+src%3d%22photos%2f2019-11-28%2flarge%2f20191128_095919_GM.jpg%22+width%3d%2249%25%22%3e+%0d%0a++++++++++%3cimg+src%3d%22photos%2f2019-11-28%2flarge%2f20191128_100050_GM.jpg%22+width%3d%2249%25%22%3e%3c%2fp%3e%0d%0a++++++++++%3cp+class%3d%22centered%22%3e%3cimg+src%3d%22photos%2f2019-11-28%2flarge%2f20191128_101710_GM.jpg%22+width%3d%2249%25%22%3e+%0d%0a++++++++++%3cimg+src%3d%22photos%2f2019-11-28%2flarge%2f20191128_101541_GM.jpg%22+width%3d%2249%25%22%3e%3c%2fp%3e 

Regexstorm utilise le moteur de regex .Net, ce qui est un gros plus pour le C#, il existe plein d'autres sites pour tester les regex en fonction de ton langage, l'un des plus connus est regex101.

Sur regexstorm, dans le bandeau du haut, clique sur "Reference" et tu auras la description de chaque instruction
 
(?<=src=") veut dire que scr=" doit être devant mais est exclus de la capture.


(?:truc) veut dire que truc fait partie de la capture mais ne doit pas faire l'objet d'un groupe, ça permet de limiter la portée d'un ou par exemple.
azertyuiop|qsdfghjklm veut dire azertyuiop ou qsdfghjklm
azertyuio(p|q)sdfghjklm veut dire azertyuio(p ou q)sdfghjklm avec p ou q donne un groupe
azertyuio(?:p|q)sdfghjklm veut dire azertyuio(p ou q)sdfghjklm avec p ou q ne donne pas un groupe

MGD Software · Answer

Merci Whismeril

J'étais sur le bon chemin, j'avais oublié le "-".
Mais il va falloir que j'implémente tous les caractères autorisés dans une URL non codée pour que l'appli soit générique (ne serait-ce que les deux-points pour une URL absolue http://...)

Je n'avais jamais trouvé dans les documentations d'expressions régulières les clauses comme ?<= ou ?:
Où peut-on trouver une doc exhaustive, que je renforce mes connaissances?
Car si j'ai compris la première clause, ce n'est pas le cas de la seconde. si le contenu des secondes parenthèses ne doit par créer de groupe, pourquoi je les retrouve dans les matches sous le group[0]?

Bref, j'ai encore du boulot.

Whismeril · Answer

Le groupe 0 c’est la capture complète

Whismeril · Answer

Bonjour

Mais il va falloir que j'implémente tous les caractères autorisés dans une URL non codée pour que l'appli soit générique (ne serait-ce que les deux-points pour une URL absolue http://...)

Une alternative est de remplacer [\w/-]* par .*? qui signifie "n'importe quel caractère répété un nombre inconnu le plus petit possible"

Mais si tu as un caractère normalement interdit dans une URL ça sera capturé. Moi ça ne me plait pas mais c'est toi qui voit en fonction de ton besoin et de la fiabilité des données en entrée.
Regexstrom semble ne pas marcher ce matin, alors avec regex101
https://regex101.com/r/91sVYJ/1


Une autre alternative serait de faire tout sauf les caractères interdits, c'est p'tet plus court que d'ajouter tous les caractères autorisés
Là un exemple avec juste 4 caractères interdits
https://regex101.com/r/91sVYJ/2

MGD Software · Answer

Cette dernière version semble fonctionner parfaitement (jusqu'à preuve du contraire sur un cas encore particulier).
Je vais donc l'utiliser.
Merci pour le coup de main.

Et pour les visiteurs qui auraient le même problème que moi, l'expression complète proposée par Whismeril est :
(?<=src=")[^<>'#]*\.(?:gif|jp[e]?g|png)

Recherche de chaine avec Regex

7 réponses

Votre réponse