khalilbenaz Regex Builder
Étape 1 — Cadrage rapide
Avant d'écrire quoi que ce soit, collecter :
| Question | Pourquoi |
|---|---|
| Exemples valides (≥3) | Définir le périmètre positif |
| Exemples invalides (≥3) | Éviter les faux positifs |
| Langage cible | Dialecte regex différent (PCRE, RE2, Java…) |
| Opération : validation / extraction / remplacement / split | Impact sur les groupes et flags |
| Données unicode ? Multilignes ? | Flags u, s, m à activer |
Si le besoin n'est pas précis, poser exactement ces questions — pas plus.
Étape 2 — Choisir le bon dialecte
| Langage | Moteur | Particularités |
|---|---|---|
Python re |
PCRE-like | (?P<name>…) pour groupes nommés ; pas de lookbehind variable |
Python regex (tiers) |
PCRE2 | Lookbehind variable, Unicode complet |
| JavaScript | RE2-like | Pas de lookbehind avant ES2018 ; flag v (ES2024) pour sets |
PHP preg_* |
PCRE | \K reset match, lookbehind variable |
| Java | java.util.regex |
\p{L} pour lettres Unicode, possessifs ++ |
| Go | RE2 | Pas de lookahead/lookbehind, pas de backreferences |
| .NET | .NET Regex | Groupes balancés (?<n-m>), LINQ Regex.Matches |
Règle : si le moteur est RE2 (Go, Rust
regexcrate), oublier lookahead et backreferences.
Étape 3 — Construction par blocs
Construire incrémentalement : commencer par le cas le plus simple, ajouter la complexité.
Briques de base
# Ancres
^ début de chaîne (ou de ligne avec /m)
$ fin de chaîne
\b frontière de mot
# Classes
\d [0-9]
\w [a-zA-Z0-9_]
\s espace, tab, newline
[a-z] classe personnalisée
[^abc] négation
# Quantificateurs
? 0 ou 1 (greedy)
* 0+ (greedy)
+ 1+ (greedy)
{n,m} entre n et m
?? *? +? lazy (prend le moins possible)
?+ *+ ++ possessif (jamais backtrack) — PCRE uniquement
# Groupes
(abc) groupe capturant
(?:abc) groupe non-capturant ← préférer si pas besoin de capture
(?<name>…) groupe nommé
(?=…) lookahead positif
(?!…) lookahead négatif
(?<=…) lookbehind positif
(?<!…) lookbehind négatif
Exemples concrets copiables
Email simple (validation formulaire)
^[\w.+-]+@[\w-]+\.[a-zA-Z]{2,}$
[\w.+-]+: partie locale (pas de vrai RFC 5321, suffisant pour 99 % des cas)- Ne valide pas les TLD exotiques
.museum→ utiliser{2,10}si besoin
Numéro de téléphone tunisien
^(?:\+?216)?[2-9]\d{7}$
- Préfixe
+216ou216optionnel - 8 chiffres, premier entre 2 et 9
UUID v4
^[0-9a-f]{8}-[0-9a-f]{4}-4[0-9a-f]{3}-[89ab][0-9a-f]{3}-[0-9a-f]{12}$
Extraction d'un montant (ex. 12 345,67 TND)
(\d{1,3}(?:[ ]\d{3})*(?:[,.]\d{2})?)(?:\s*(?:TND|EUR|USD))?
Remplacement de variables ${VAR} dans un template
import re
result = re.sub(r'\$\{(\w+)\}', lambda m: env.get(m.group(1), m.group(0)), template)
Étape 4 — Table de tests systématique
Toujours présenter avec résultat attendu ET résultat réel :
| Entrée | Attendu | Match ? | Remarque |
|---|---|---|---|
| cas valide 1 | ✅ | cas nominal | |
| cas valide 2 | ✅ | variante | |
| cas limite | ✅/❌ | edge case | |
| cas invalide 1 | ❌ | faux positif potentiel |
Commande de test rapide :
# Python
python3 -c "import re; pattern=r'^…$'; tests=['ok','ko']; [print(t, bool(re.fullmatch(pattern,t))) for t in tests]"
# Node.js
node -e "const r=/^…$/; ['ok','ko'].forEach(t=>console.log(t, r.test(t)))"
# grep (POSIX ERE)
echo "test_string" | grep -E '^…$'
Étape 5 — Variantes et alternatives
Proposer systématiquement :
- Version stricte : anchors
^…$, pas de quantificateurs greedy larges - Version extraction : groupes nommés, pas d'anchors
- Alternative non-regex : si la logique peut être plus claire avec du code
# Préférer ça plutôt qu'une regex monstrueuse :
def is_valid_iban(s):
s = s.replace(' ', '').upper()
return len(s) >= 15 and s[:2].isalpha() and s[2:4].isdigit()
Garde-fous et anti-patterns
Pièges classiques
| Piège | Symptôme | Correction |
|---|---|---|
Greedy .* |
Capture trop (jusqu'au dernier match) | Utiliser .*? (lazy) ou [^X]+ |
Oublier d'échapper . |
. matche n'importe quel caractère |
\. pour un point littéral |
| Backtracking catastrophique | Timeout / freeze sur longues chaînes | Éviter (a+)+, utiliser possessif ou atomic group |
| Négliger les flags | Case-sensitive par défaut | Ajouter re.IGNORECASE / /i explicitement |
| Backreference dans RE2/Go | Erreur runtime | Réécrire sans backreference |
| Valider un email avec RFC complète | Regex de 6 Ko, maintenable zéro | Valider format basique + vérifier MX côté serveur |
^ et $ en multiline |
Comportement différent avec flag m |
Utiliser \A / \Z (Python) pour vrai début/fin de chaîne |
Backtracking catastrophique — détection
# DANGEREUX — éviter
(a|aa)+$
(\w+\s?)+$
# SÛRS — préférer
\w+(\s\w+)*$
Quand ne PAS utiliser une regex
- Parser du HTML/XML → utiliser un parser DOM (
BeautifulSoup,lxml) - Valider du JSON →
json.loads()+ schema - Extraire des données de PDF → lib dédiée (
pdfplumber) - Logique avec état (imbrication arbitraire) → PEG parser ou grammaire formelle
Bonnes pratiques 2026
- Nommer les groupes :
(?P<year>\d{4})plutôt que(\d{4})— lisibilité et refactoring - Commenter les regex longues avec le flag verbose (
re.VERBOSE//x) :
pattern = re.compile(r"""
^ # début
(?P<country>\+?\d{1,3})? # indicatif pays optionnel
[\s\-.]? # séparateur optionnel
(?P<local>\d{8,10}) # numéro local
$
""", re.VERBOSE)
- Compiler les regex réutilisées (
re.compile(...)) — gain x5 sur boucles - Tester avec un outil visuel : regex101.com (PCRE/JS/Python), regexr.com
- Versionner les regex critiques avec leurs cas de test dans le repo
- Limiter la longueur d'entrée avant d'appliquer la regex en prod (protection ReDoS)
Communication Rules — MANDATORY
- Ultra-concise. No filler, no preamble, no pleasantries.
- Never say "happy to help", "sure!", "great question", "let me", or similar.
- Tool first, talk second. Act before explaining.
- Result first. Lead with outcome, not process.
- Stop when done. No summary, no recap, no trailing commentary.
- No politeness wrappers. Direct and blunt.
- Minimum words. If one word works, do not use ten.
- No unsolicited explanations.
- No emoji unless asked.