Les aléas du découpage des données.

Découper des données

Par exemple, split() n'est pas très adapté aux données de taille fixe. Parfois la coupure doit avoir lieu au niveau de caractères particuliers, mais dans ce cas il arrive que les champs eux-mêmes contiennent le séparateur. Enfin, dans le cas du séparateur "blanc", il peut également être utilisé simplement pour aligner les champs. On peut envisager d'utiliser substr(), mais cette fonction ne donne accès qu'à un seul champ à la fois et de toutes façons vous aurez toujours à traiter le cas des caractères blancs superflus. Dans ces cas où les données ont une taille fixe, pensez à utiliser pack(). C'est la fonction la mieux adaptée.

Les données de taille fixe

     $template = "a14 A9 A9 a*"; 
     open(LS, "ls -lg |") || die "Can't ls!\n"; 
     while (<LS>) 
     { 
          ($first, $uid, $gid, $last) = unpack($template, $_); 	   
               $uids{$uid} = (getpwnam($uid))[2] unless ($uids{$uid});
               $gids{$gid} = (getgrnam($gid))[2] unless ($gids{$gid});
          (getgrnam($gid))[2]unless($gids{$gid}); 	
     print pack($template, $first, $uids{$uid},$gids{$gid},$last); }

Le premier argument à unpack() est un modèle décrivant le type et la taille de chaque champ. Les blancs contenus dans ce modèle ne servent qu'à améliorer sa lisibilité, ils sont totalement ignorés par unpack(). Le premier, "a14" indique que le premier champ est composé de 14 caractères ASCII (dans le cas de notre ls, il correspond aux protections du fichier ainsi qu'au nombre de ses liens durs). Il est suivi par 2 chaînes de 9 caractères (le nom de l'utilisateur et du groupe), le "A" majuscule indique que pack() doit supprimer les blancs à la fin des chaînes. Ainsi pourrons nous passer directement ce champ à n'importe laquelle des fonctions get*nam(). Le modèle "a*" indique que le reste de la chaîne doit être renvoyé dans le dernier champ.

Remarquez que nous pouvons utiliser le même modèle si nous souhaitons recréer la ligne par pack(). L'interprétation que Perl fait de "a" et "A" dans pack() a été programmée à cet effet. Le nombre après chaque opérateur dans le modèle, indique la taille du champ : "a" le complète avec des caractères nuls, "A" avec des blancs. "*" utilisé à la place d'un nombre donne au champ la taille de la donnée traitée, ou de ce qu'il reste à traiter.

Les données irrégulières ...

     Pomeranz, Hal   (pomeranz) 	    x409

J'aurais pu utiliser split() pour analiser la ligne (l'exemple ci-dessous montre que le premier argument de split est une expression régulière tout ce qu'il y a de plus normale)

     @fields = split(/[\s,()]+/);

     s/\s+$//;

     ($last, $first, $email, $ext) = some_expression

... Et la recherche de motifs

     $_ = "Wed Apr 20 20:39:34 PDT 1994"; 	
     @fields = / ((\d+):(\d+):(\d+)) /;

Le comportement de la recherche dans ce contexte de liste en fait un outil de découpage particulièrement souple. Inutile d'ajouter que dans ce cas où le résultat de la recherche est assigné à une liste, Perl n'instancie pas les variables $1,$2,...,$9.

Appliquons ce principe (*) à l'expression introduite dans notre précédent article :

bash$ cat essai.pl
#!/usr/bin/perl

$_="Pomeranz, Hal      (pomeranz)       x409";
($first,$last,$junk1,$email,$ext) = /^(.+),\s*(\w+)\s*(\((\w+)\))?\s*(x(\d+))?\s*$/;
print "\$first=",$first," \$last=",$last," \$email=",$email," \$ext=",$ext,"\n";
print "\$junk1=",$junk1,"\n";
bash$ essai.pl
$first=Pomeranz $last=Hal $email=pomeranz $ext=x409
$junk1=(pomeranz)
bash$ 

On peut éviter ce champ intermédiaire en traitant les () du champ E-Mail comme des caractères optionnels hors du champ E-Mail optionnel. Ceci complexifie cependant quelque peu l'expression :

$bash cat essai1.pl
#!/usr/bin/perl
 
$_="Pomeranz,Hal	 (pomeranz)	 x409";
($first,$last,$email,$ext) = /^(.+),\s*(\w+)\s*\(?(\w+)?\)?\s*(x(\d+))?\s*$/;
print "\$first=",$first," \$last=",$last," \$email=",$email," \$ext=",$ext,"\n";
$bash essai1.pl
$first=Pomeranz $last=Hal $email=pomeranz $ext=x409
bash$

$_="Pomeranz,Hal	(pomeranz	 x409";

Le cas des apostrophes

     "Pomeranz, Hal", Support, "Saratoga, CA, USA"

Un solution simple serait d'utiliser split() pour découper chaque enregistrement, en utilisant le séparateur ad-hoc, puis de reconstruire les champs avec leur séparateur. Bien sur avec cette approche, vous aurez à préserver les délimiteurs. Heureusement, split() facilite cette opération en utilisant une parenthèse comme premier argument de façon à créer des sous-expressions :

     @list = split(/(,\s+)/);

      "Pomeranz, Hal", Support, "Saratoga, CA, USA"

L'autre approche serait de rechercher un expression qui corresponde à chaque champ :

     @fields = /("[^"]+"|[^,]+), \s+("[^"]+"|[^,]+), \s+("[^"]+"|[^,]+)/;

     This ", would be" nasty

Conclusion

Traduction de ;login: Vol. 19 No. 3, June 1994

* L'expression originale
($first,$last,$junk1,$email,$junk2,$ext) = /^(.+),\s+(\w+)(\s+(\((\w+)\))?(\s+x(\d+))?\s*$/;
contenait une erreur de syntaxe. En la recherchant, nous avons trouvé une expression plus simple ne nécessitant pas le champ "junk2". Aussi avons nous pris la liberté de changer l'exemple de l'auteur. (ndtr)

Dernière édition: 16 mars 1997 phb Original 11/26/96ah

Back to the original Retour à l'index