Antislash
Le caractère antislash a de nombreuses utilisations.
En premier lieu, s'il est suivi d'un caractère non
alpha-numérique, il ne prendra pas la signification
spéciale qui y est rattachée. Cette utilisation de
l'antislash comme caractère d'échappement s'applique
à l'intérieur et à l'extérieur des
classes de caractères. Par exemple, pour recherche le
caractère étoile "
*
", il faut
écrire dans le masque : "
\*
". Cela
s'applique dans tous les cas, que le caractère qui suive
soit un méta-caractère ou non. C'est un moyen sûr
pour s'assurer qu'un caractère sera recherché
pour sa valeur littérale, plutôt que pour sa valeur
spéciale. En particulier, pour rechercher les antislash,
il faut écrire : "
\\
".
Si un masque est utilisé avec l'option
PCRE_EXTENDED ,
les espaces blancs du masque, mais qui ne sont pas dans une
classe de caractères, et les caractères entre dièses
"
#
", ainsi que les nouvelles lignes sont ignorées.
L'antislash peut être utilisé pour échapper et ainsi
rechercher un espace ou un dièse.
La deuxième utilité de l'antislash est de pouvoir
coder des caractères invisibles dans les masques. Il n'y
a pas de restriction sur la place de ces caractères
invisibles, hormis pour le caractère nul qui doit terminer
le masque.
Lors de la préparation du masque, il est souvent plus pratique
d'utiliser les séquences d'échappement suivantes,
plutôt que le caractère binaire qu'elle représente :
-
\a
-
alarme, c'est-à-dire le caractère BEL (hex 07)
-
\cx
-
"control-x", avec x qui peut être n'importe quel
caractère.
-
\e
-
escape (hex 1B)
-
\f
-
formfeed (hex 0C)
-
\n
-
nouvelle ligne (hex 0A)
-
\r
-
retour chariot (hex 0D)
-
\t
-
tabulation (hex 09)
-
\xhh
-
caractère en hexadécimal, de code hh
-
\ddd
-
caractère en octal, de code ddd, ou référence
arrière
Dans la séquence "
\cx
" si "
x
"
est en minuscule, il est converti en majuscule. Puis, le bit 6 (hex 40)
est inversé. Ainsi "
\cz
" devient
1A
,
mais "
\c{
" devient hex 3B, tandis que "
\c;
"
devient hex 7B.
Après "
\x
", deux caractères
hexadécimaeux sont lus (les lettres peuvent être en majuscule
ou minuscule).
Après "
\0
", deux caractères octal sont lus.
Dans chacun des cas, le méta-caractère tente de lire autant
de caractère que possible. Ainsi la séquence
"
\0\x\07
", sera comprise comme deux caractères nuls,
suivi d'un caractère alarme (BEL). Assurez-vous que vous fournissez
suffisamment de chiffres après le méta-caractère.
La gestion de la séquence "
\y
", avec y <> 0
est plutôt compliquée. En dehors des caractères de classes,
PCRE va lire y et tous les caractères qui suivent comme des chiffres
décimaux. Si y est plus petit que 10, ou bien s'il y a
déjà eu au moins autant de parenthèses ouvrantes
auparavant, la séquence est prise pour une référence
arrière. Le détail sera vu ultérieurement, après la
section sur les sous-masques.
A l'intérieur d'un caractère de classe, ou si y est plus
grand que 10, et qu'il n'y a pas eu assez de parenthèses ouvrantes
auparavant, PCRE lis jusqu'à 3 chiffres octals à la suite
de l'antislash, et génère un octet unique, à partir
des 8 bits de poids faible de la séquence. Tous les chiffres qui
suivent ne sont pas interprétés, et se representent
eux-mêmes. Par exemple:
-
\040
-
une autre manière d'écrire un espace
-
\40
-
identique, dans la mesure où il n'y a pas 40
parenthèses ouvrantes auparavant
-
\7
-
est toujours une référence arrière
-
\11
-
peut être une référence de retour,
ou une tabulation
-
\011
-
toujours une tabulation
-
\0113
-
est une tabulation suivi du caractère "3"
-
\113
-
est le caractère 113 (étant donné qu'il ne
peut y avoir plus de 99 références arrières)
-
\377
-
est un octet dont tous les bits sont à 1
-
\0113
-
peut être soit une référence arrière,
soit le caractère
NULL
, suivi des caractères "8" et "1"
Les valeurs octales supérieures ou égales à 100 ne
doivent pas être introduites par un 0, car seuls les trois premiers
octets seront lus.
Toutes les séquences qui définissent une valeur d'un seul
octet peuvent être utilisé dans les classes de caractères,
et à l'extérieur. De plus, dans une classe de caractères,
la séquence "
\b
" est interprétée
comme un caractère effacer (backspace, hex 08). A l'extérieur
d'une classe de caractères, il peut avoir d'autres significations
(voir ci-dessous).
On peut encore se servir de l'antislash pour préciser des types
génériques de valeurs :
-
\d
-
tout caractère décimal
-
\D
-
tout caractère qui n'est pas un caractère décimal
-
\s
-
tout caractère blanc
-
\S
-
tout caractère qui n'est pas un caractère blanc
-
\w
-
tout caractère de "mot"
-
\W
-
tout caractère qui n'est pas un caractère de "mot"
Chaque paire précédente définit une partition de
la table des caractères : les deux ensembles sont disjoints.
Un caractère satisfera soit un méta-caractère,
soit l'autre.
Un caractère de "mot" sera une lettre, un chiffre ou le
caractère souligné, c'est-à-dire un
caractère qui pourra être une partie d'un mot Perl. La
définition des lettres et chiffres est définie par les
tables de caractères de PCRE, et peut varier suivant la table
locale de caractère (voir "Tables de caractères locales ",
ci-dessus. Par exemple, dans la configuration français ("fr"),
certains caractères ont des codes supérieurs à
128, pour les caractères accentués, et ils seront compris
par le méta caractère
\w
.
Ces séquences de caractères peuvent apparaître à
l'intérieur ou à l'extérieur des classes de
caractères. Elles remplacent à chaque fois un
caractère du type correspondant. Si cette séquence est
placée en fin de masque, et qu'il n'y a plus de caractère à
comparer dans la chaîne sujet, la recherche échoue.
La quatrième utilisation de l'antislash intervient lors d'assertions
simples. Une assertion impose une condition à un certain point,
sans remplacer de caractère. L'utilisation de sous-masques pour
réaliser des assertions plus complexes est décrites
plus-bas. Les assertions avec antislash sont les suivantes :
-
\b
-
limite de mot
-
\B
-
pas limite de mot
-
\A
-
début de la chaîne sujet
(indépendant du mode multi-lignes)
-
\Z
-
fin de la chaîne sujet ou nouvelle ligne à
la fin de la chaîne sujet
(indépendant du mode multi-lignes)
-
\z
-
fin de la chaîne sujet
(indépendant du mode multi-lignes)
Ces assertions ne peuvent pas apparaître dans une classe de
caractères (mais "\b" a une autre signification à
l'intérieur d'une classe de caractères).
Une limite de mot est un emplacement dans la chaîne sujet ou un
caractère et son suivant ne sont pas en même temps des
caractères de mot, ou le contraire (on peut le voir comme
\w\W
ou
\W\w
), ou encore le
premier ou le dernier caractère est un caractère mot.
Les assertions
\A
,
\Z
, et
\z
diffèrent des méta caractères
^
et
$
dans la mesure où
ils ne sont pas dépendants des options, notamment
PCRE_NOTBOL
ou PCRE_NOTEOL .
La différence entre
\Z
et
\z
tient au fait que
\Z
recherche
les positions avant les nouvelles lignes et à la fin de la
chaîne sujet, tandis que
\z
ne recherche
que la fin de la chaîne.
|