Les expressions régulières en Python : chercher un motif dans du texte

Définition

Il faut sans cesse retrouver quelque chose dans un texte sans en connaître la valeur à l'avance : la date au milieu d'une ligne de journal, le numéro dans l'objet d'un e-mail, le code postal perdu dans une adresse. Chercher un mot connu ne pose aucun problème, l'opérateur in y suffit. Mais ici, on ignore ce que l'on cherche : on sait seulement à quoi cela ressemble.

C'est ce manque que vient combler une expression régulière. C'est un motif : une courte formule qui décrit la forme d'un texte plutôt que son contenu. « Quatre chiffres, un tiret, deux chiffres, un tiret, deux chiffres » est un motif, et 2026-08-19 est l'un des textes qui lui correspondent.

Python range ces motifs dans le module re, livré avec la bibliothèque standard : rien à installer avec pip, un import re en tête de fichier suffit.

import re

texte = "Commande 4821 expédiée le 2026-08-19"

# Quatre chiffres, un tiret, deux chiffres, un tiret, deux chiffres
resultat = re.search(r"\d{4}-\d{2}-\d{2}", texte)
print(resultat.group())  # 2026-08-19

Tout se joue dans la chaîne passée en premier argument. \d signifie « un chiffre », {4} signifie « quatre fois de suite », et le tiret ne signifie rien de particulier : il se cherche tel quel. Un motif mêle donc en permanence des caractères pris au pied de la lettre et des symboles qui décrivent une famille ou une répétition.

Cette syntaxe n'appartient pas à Python. À quelques variantes près, la même s'écrit en JavaScript, en PHP, dans grep ou dans le champ de recherche d'un éditeur de code : ce qui s'apprend ici resservira ailleurs pendant des années.

Ce qu'elle remplace, et ce qu'elle ne doit pas remplacer

Une expression régulière remplace une chose précise : les tests et les découpages écrits à la main pour attraper un élément dont la position change d'une ligne à l'autre. Extraire un numéro de facture de l'objet d'un e-mail, relever les codes postaux d'un export, vérifier qu'une référence produit a bien la forme attendue.

Sans motif, ce travail se fait à coups de split imbriqués, et le code devient illisible dès la deuxième exception rencontrée dans les données : une ligne où l'espace manque, une autre où le champ est vide. Le motif encaisse ces variations parce qu'il décrit une forme et non une position.

En revanche, il ne remplace pas les méthodes de chaîne, qui sur un besoin fixe se lisent mieux et s'exécutent plus vite. Voici comment répartir les cas les plus courants.

Le module json, le module csv ou un analyseur HTML connaissent les règles du format et les appliquent toutes, en une ligne. Et si les données sont déjà rangées dans un tableau pandas, .str.extract applique un motif à une colonne entière : un motif travaille sur des valeurs, jamais sur une structure.

Les fonctions du module re

Le module expose une douzaine de fonctions, mais sept couvrent presque tous les usages. Toutes prennent le motif en premier argument et le texte en second ; ce qui les distingue, c'est ce qu'elles renvoient, donc la colonne de droite.

Les deux premières lignes sont la première cause de perte de temps chez qui découvre la bibliothèque. re.match ancre la recherche au tout premier caractère : chercher "chat" avec match dans "le chat dort" ne renvoie rien, et l'on passe un quart d'heure à réparer un motif qui n'a aucun défaut.

Deux réflexes suffisent. Pour trouver quelque chose à l'intérieur d'un texte, re.search. Pour vérifier qu'un texte entier a la bonne forme, un code postal saisi dans un formulaire par exemple, re.fullmatch. re.match ne se justifie que là où le début du texte compte vraiment.

Le résultat n'est pas le texte trouvé

Un piège attend juste après la première recherche réussie, et il ne se déclare qu'en production. Une recherche ne renvoie pas une chaîne mais un objet de correspondance, qui porte le passage trouvé, sa position et ses groupes. Et quand le motif ne trouve rien, elle renvoie None.

Enchaîner .group() sur ce retour fonctionne donc tant que le texte contient ce qui est attendu. Le jour où un e-mail arrive sans numéro de facture, c'est None qui reçoit l'appel : une AttributeError est levée et le script s'arrête. Le test qui l'évite tient en une ligne.

resultat = re.search(r"facture (\d+)", objet)

if resultat:                     # le test qui manque presque toujours
    numero = resultat.group(1)   # ce qu'ont capturé les parenthèses
else:
    numero = None

Les parenthèses jouent ici un second rôle : elles délimitent un groupe, le morceau du résultat que l'on veut récupérer à part. group(1) renvoie ce que la première paire a capturé, group(0) le passage entier. Au-delà de deux ou trois groupes, comptez plutôt sur des noms : (?P<numero>\d+) se relit sans compter les parenthèses et alimente groupdict(), qui rend un dictionnaire prêt à l'emploi.

Reste un détail d'écriture qui n'en est pas un : le préfixe r devant le motif. Sans lui, Python interprète les antislashs pour son propre compte avant que le moteur ne les voie, et le motif lui arrive abîmé. Écrire r"..." systématiquement supprime une famille entière de bugs incompréhensibles.

Gourmand par défaut

Un dernier comportement du moteur explique la plupart des motifs qui « attrapent trop ». Les quantificateurs * et + sont gourmands : ils avalent le plus de texte possible, puis reculent juste assez pour que la fin du motif corresponde.

ligne = 'nom="Dupont" ville="Lyon"'

re.findall(r'".*"', ligne)    # gourmand  : ['"Dupont" ville="Lyon"']
re.findall(r'".*?"', ligne)   # paresseux : ['"Dupont"', '"Lyon"']

Le premier motif ne s'arrête pas au guillemet qui ferme Dupont : il file jusqu'au dernier guillemet de la ligne. Le point d'interrogation rend le second paresseux, autrement dit il s'arrête à la première occasion, et les deux valeurs ressortent séparément.

Une écriture souvent meilleure consiste à interdire explicitement le caractère de fin, ici r'"[^"]*"' : le motif ne peut plus déborder et le moteur n'a aucun retour en arrière à faire. Sur un texte long, des quantificateurs imbriqués comme (a+)+ font passer un programme de quelques millisecondes à plusieurs minutes, et si ce texte vient d'un formulaire public, une seule requête suffit à immobiliser le serveur.

Questions fréquentes

Trois causes, dans l'ordre de fréquence. Le préfixe r a été oublié, et le motif arrive abîmé jusqu'au moteur. Ou bien re.match a été employé là où re.search était attendu, et la recherche reste collée au premier caractère. Ou enfin les options que les testeurs activent d'office, la recherche globale et le mode multiligne, ne sont pas passées explicitement en Python.

Rarement pour la vitesse : le module garde en cache les derniers motifs utilisés, si bien que le gain reste invisible dans une boucle ordinaire. re.compile sert surtout à donner un nom au motif et à le poser une fois pour toutes en haut du fichier, avec ses options, au lieu de le répéter à trois endroits. C'est d'abord un choix de lisibilité.

Le plus honnêtement possible, c'est-à-dire à peine. La spécification autorise des formes que personne n'écrit jamais, et le motif qui les couvre toutes fait plusieurs milliers de caractères sans être juste pour autant. En pratique, vérifiez qu'il y a un seul arobase, du texte de part et d'autre et un point après, puis envoyez un message de confirmation. Seul le message qui arrive prouve que l'adresse existe.