Classes de caractères

Article
08/21/2008

Mise à jour : novembre 2007

Une classe de caractères représente un jeu de caractères qui peuvent correspondre à une chaîne d'entrée. Associez des caractères littéraux, des caractères d'échappement et des classes de caractères pour former un modèle d'expression régulière.

Les classes de caractères définissent des jeux de caractères. Certaines classes de caractères équivalent à un ou plusieurs blocs Unicode ou valeurs de catégories générales Unicode. Une catégorie générale Unicode définit la classification générale d'un caractère ; autrement dit, elle détermine si le caractère est un type de lettre, de chiffre décimal, de séparateur, de symbole mathématique, de ponctuation, etc. Par exemple, la catégorie générale Lu représente "Letter, Uppercase" et la catégorie Sm représente "Symbol, Math". Pour plus d'informations, consultez Catégories générales Unicode prises en charge.

Un bloc Unicode est une plage nommée de points de code Unicode. Le .NET Framework fournit un jeu de blocs nommés dérivé des noms de blocs Unicode. Par exemple, le .NET Framework fournit le bloc nommé IsBasicLatin qui correspond au bloc Unicode Basic Latin et contient des caractères allant de U+0000 à U+007F. Pour plus d'informations, consultez Blocs nommés pris en charge.

Le .NET Framework prend en charge les expressions de soustraction de classe de caractères, ce qui vous permet de définir un jeu de caractères comme résultat de l'exclusion d'une classe de caractères d'une autre classe de caractères. Pour plus d'informations, consultez Soustraction de classe de caractères.

Syntaxe de classe de caractères

Le tableau suivant résume les classes de caractères et leur syntaxe.

Classe de caractères	Description
[groupe_caractères]	(Groupe de caractères positif.) Correspond à l'un des caractères du groupe de caractères spécifié. Le groupe de caractères se compose d'un ou de plusieurs caractères littéraux, caractères d'échappement, plages de caractères ou classes de caractères concaténés. Par exemple, pour spécifier toutes les voyelles, utilisez [aeiou].. Pour spécifier tous les caractères de ponctuation et les chiffres décimaux, codez [\p{P}\d].
[^groupe_caractères]	(Groupe de caractères négatif.) Correspond à un caractère n'appartenant pas au groupe de caractères spécifié. Le groupe de caractères se compose d'un ou de plusieurs caractères littéraux, caractères d'échappement, plages de caractères ou classes de caractères concaténés. Le premier caractère (^) est obligatoire et indique que le groupe de caractères est un groupe de caractères négatif et non positif. Par exemple, pour spécifier tous les caractères sauf les voyelles, utilisez [^aeiou]. Pour spécifier tous les caractères sauf la ponctuation et les chiffres décimaux, utilisez [^\p{P}\d].
[PremierCaractère-DernierCaractère]	(Plage de caractères.) Correspond à l'un des caractères d'une plage de caractères. Une plage de caractères est une série contiguë de caractères définie par la spécification du premier caractère dans la série, d'un trait d'union (-), puis du dernier caractère dans la série. Deux caractères sont contigus s'ils présentent des points de code Unicode adjacents. Deux ou plusieurs plages de caractères peuvent être concaténées. Par exemple, pour spécifier la plage de chiffres décimaux de '0' à '9', la plage de lettres minuscules de 'a' à 'f' et la plage de lettres majuscules de 'A' à 'F', utilisez [0-9a-fA-F].
.	(Caractère point.) Correspond à tout caractère sauf \n. S'il est modifié par l'option Singleline, un caractère point correspond à tout caractère. Pour plus d'informations, consultez Options des expressions régulières. Notez qu'un caractère point dans un groupe de caractères positif ou négatif (un point entre crochets) est traité comme un caractère point littéral, et non une classe de caractères.
\p{nom}	Correspond à l'un des caractères de la catégorie générale Unicode ou du bloc nommé spécifié par nom (par exemple, Ll, Nd, Z, IsGreek et IsBoxDrawing).
\P{nom}	Correspond à un caractère n'appartenant pas à la catégorie générale Unicode ou au bloc nommé spécifié dans nom.
\w	Correspond à n'importe quel caractère alphabétique. Équivalent aux catégories générales Unicode [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Si le comportement conforme ECMAScript est spécifié avec l'option ECMAScript, \w est équivalent à [a-zA-Z_0-9].
\W	Représente n'importe quel caractère non alphabétique. Équivalent aux catégories générales Unicode [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]. Si le comportement conforme ECMAScript est spécifié avec l'option ECMAScript, \W est équivalent à [^a-zA-Z_0-9].
\s	Correspond à tout caractère espace blanc. Équivalent aux séquences d'échappement et aux catégories générales Unicode [\f\n\r\t\v\x85\p{Z}]. Si le comportement conforme ECMAScript est spécifié avec l'option ECMAScript, \s est équivalent à [ \f\n\r\t\v].
\S	Correspond à tout caractère autre qu'un espace blanc. Équivalent aux séquences d'échappement et aux catégories générales Unicode [^\f\n\r\t\v\x85\p{Z}]. Si le comportement conforme ECMAScript est spécifié avec l'option ECMAScript, \S est équivalent à [^ \f\n\r\t\v].
\d	Correspond à n'importe quel chiffre décimal. Équivalent à \p{Nd} en caractères Unicode et à [0-9] en caractères non-Unicode, comportement ECMAScript.
\D	Correspond à un caractère ne représentant pas un chiffre. Équivalent à \P{Nd} en caractères Unicode et à [^0-9] en caractères non-Unicode, comportement ECMAScript.

Catégories générales Unicode prises en charge

Unicode définit les catégories générales et les descriptions répertoriées dans le tableau suivant. Pour plus d'informations, consultez les sous-rubriques « UCD File Format » et « General Category Values » dans Unicode Character Database.

Catégorie	Description
Lu	Letter, Uppercase
Ll	Letter, Lowercase
Lt	Letter, Titlecase
Lm	Letter, Modifier
Lo	Letter, Other
Mn	Mark, Nonspacing
Mc	Mark, Spacing Combining
Me	Mark, Enclosing
Nd	Number, Decimal Digit
Nl	Number, Letter
No	Number, Other
Pc	Punctuation, Connector
Pd	Punctuation, Dash
Ps	Punctuation, Open
Pe	Punctuation, Close
Pi	Punctuation, Initial quote (peut se comporter comme Ps ou Pe selon l'utilisation)
Pf	Punctuation, Final quote (peut se comporter comme Ps ou Pe selon l'utilisation)
Po	Punctuation, Other
Sm	Symbol, Math
Sc	Symbol, Currency
Sk	Symbol, Modifier
So	Symbol, Other
Zs	Separator, Space
Zl	Separator, Line
Zp	Separator, Paragraph
Cc	Other, Control
Cf	Other, Format
Cs	Other, Surrogate
Co	Other, Private Use
Cn	Other, Not Assigned (aucun caractère n'a cette propriété)

Le .NET Framework fournit des catégories supplémentaires qui représentent un jeu de catégories de caractères Unicode, comme indiqué dans le tableau suivant.

Catégorie	Représente
C	(Tous les caractères de contrôle) Cc, Cf, Cs, Co et Cn.
L	(Toutes les lettres) Lu, Ll, Lt, Lm et Lo.
M	(Toutes les marques diacritiques) Mn, Mc et Me.
N	(Tous les nombres) Nd, Nl et No.
P	(Tous les signes de ponctuation) Pc, Pd, Ps, Pe, Pi, Pf et Po.
S	(Tous les symboles) Sm, Sc, Sk et So.
Z	(Tous les séparateurs) Zs, Zl et Zp.

Blocs nommés pris en charge

Le .NET Framework fournit les blocs nommés répertoriés dans le tableau suivant. Le jeu de blocs nommés pris en charge est basé sur Unicode 4.0 et Perl 5.6.

Plage de points de code	Nom du bloc
0000 - 007F	IsBasicLatin
0080 - 00FF	IsLatin-1Supplement
0100 - 017F	IsLatinExtended-A
0180 - 024F	IsLatinExtended-B
0250 - 02AF	IsIPAExtensions
02B0 - 02FF	IsSpacingModifierLetters
0300 - 036F	IsCombiningDiacriticalMarks
0370 - 03FF	IsGreek - ou - IsGreekandCoptic
0400 - 04FF	IsCyrillic
0500 - 052F	IsCyrillicSupplement
0530 - 058F	IsArmenian
0590 - 05FF	IsHebrew
0600 - 06FF	IsArabic
0700 - 074F	IsSyriac
0780 - 07BF	IsThaana
0900 - 097F	IsDevanagari
0980 - 09FF	IsBengali
0A00 - 0A7F	IsGurmukhi
0A80 - 0AFF	IsGujarati
0B00 - 0B7F	IsOriya
0B80 - 0BFF	IsTamil
0C00 - 0C7F	IsTelugu
0C80 - 0CFF	IsKannada
0D00 - 0D7F	IsMalayalam
0D80 - 0DFF	IsSinhala
0E00 - 0E7F	IsThai
0E80 - 0EFF	IsLao
0F00 - 0FFF	IsTibetan
1000 - 109F	IsMyanmar
10A0 - 10FF	IsGeorgian
1100 - 11FF	IsHangulJamo
1200 - 137F	IsEthiopic
13A0 - 13FF	IsCherokee
1400 - 167F	IsUnifiedCanadianAboriginalSyllabics
1680 - 169F	IsOgham
16A0 - 16FF	IsRunic
1700 - 171F	IsTagalog
1720 - 173F	IsHanunoo
1740 - 175F	IsBuhid
1760 - 177F	IsTagbanwa
1780 - 17FF	IsKhmer
1800 - 18AF	IsMongolian
1900 - 194F	IsLimbu
1950 - 197F	IsTaiLe
19E0 - 19FF	IsKhmerSymbols
1D00 - 1D7F	IsPhoneticExtensions
1E00 - 1EFF	IsLatinExtendedAdditional
1F00 - 1FFF	IsGreekExtended
2000 - 206F	IsGeneralPunctuation
2070 - 209F	IsSuperscriptsandSubscripts
20A0 - 20CF	IsCurrencySymbols
20D0 - 20FF	IsCombiningDiacriticalMarksforSymbols - ou - IsCombiningMarksforSymbols
2100 - 214F	IsLetterlikeSymbols
2150 - 218F	IsNumberForms
2190 - 21FF	IsArrows
2200 - 22FF	IsMathematicalOperators
2300 - 23FF	IsMiscellaneousTechnical
2400 - 243F	IsControlPictures
2440 - 245F	IsOpticalCharacterRecognition
2460 - 24FF	IsEnclosedAlphanumerics
2500 - 257F	IsBoxDrawing
2580 - 259F	IsBlockElements
25A0 - 25FF	IsGeometricShapes
2600 - 26FF	IsMiscellaneousSymbols
2700 - 27BF	IsDingbats
27C0 - 27EF	IsMiscellaneousMathematicalSymbols-A
27F0 - 27FF	IsSupplementalArrows-A
2800 - 28FF	IsBraillePatterns
2900 - 297F	IsSupplementalArrows-B
2980 - 29FF	IsMiscellaneousMathematicalSymbols-B
2A00 - 2AFF	IsSupplementalMathematicalOperators
2B00 - 2BFF	IsMiscellaneousSymbolsandArrows
2E80 - 2EFF	IsCJKRadicalsSupplement
2F00 - 2FDF	IsKangxiRadicals
2FF0 - 2FFF	IsIdeographicDescriptionCharacters
3000 - 303F	IsCJKSymbolsandPunctuation
3040 - 309F	IsHiragana
30A0 - 30FF	IsKatakana
3100 - 312F	IsBopomofo
3130 - 318F	IsHangulCompatibilityJamo
3190 - 319F	IsKanbun
31A0 - 31BF	IsBopomofoExtended
31F0 - 31FF	IsKatakanaPhoneticExtensions
3200 - 32FF	IsEnclosedCJKLettersandMonths
3300 - 33FF	IsCJKCompatibility
3400 - 4DBF	IsCJKUnifiedIdeographsExtensionA
4DC0 - 4DFF	IsYijingHexagramSymbols
4E00 - 9FFF	IsCJKUnifiedIdeographs
A000 - A48F	IsYiSyllables
A490 - A4CF	IsYiRadicals
AC00 - D7AF	IsHangulSyllables
D800 - DB7F	IsHighSurrogates
DB80 - DBFF	IsHighPrivateUseSurrogates
DC00 - DFFF	IsLowSurrogates
E000 - F8FF	IsPrivateUse
F900 - FAFF	IsPrivateUseArea
FB00 - FB4F	IsCJKCompatibilityIdeographs
FB50 - FDFF	IsAlphabeticPresentationForms
FE00 - FE0F	IsArabicPresentationForms-A
FE20 - FE2F	IsVariationSelectors
FE30 - FE4F	IsCombiningHalfMarks
FE50 - FE6F	IsCJKCompatibilityForms
FE70 - FEFF	IsSmallFormVariants
FF00 - FFEF	IsArabicPresentationForms-B
FFF0 - FFFF	IsHalfwidthandFullwidthForms

Soustraction de classe de caractères

Une classe de caractères définit un jeu de caractères. La soustraction de classe de caractères produit un jeu de caractères qui est le résultat de l'exclusion des caractères dans une classe de caractères d'une autre classe de caractères.

Une expression de soustraction de classe de caractères a la forme suivante :

[groupe_base-[groupe_exclu]]

Les crochets ([]) et le trait d'union (-) sont obligatoires. groupe_base est un groupe de caractères positif ou négatif, comme indiqué dans le tableau Syntaxe de classe de caractères. Le composant groupe_exclu est un autre groupe de caractères positif ou négatif ou une autre expression de soustraction de classe de caractères (autrement dit, vous pouvez imbriquer des expressions de soustraction de classe de caractères).

Par exemple, supposons que vous disposez d'un groupe de base composé de la plage de caractères allant de 'a' à 'z'. Pour définir le jeu de caractères composé du groupe de base, à l'exception du caractère 'm', utilisez [a-z-[m]]. Pour définir le jeu de caractères composé du groupe de base, à l'exception du jeu de caractères 'd', 'j' et 'p', utilisez [a-z-[djp]]. Pour définir le jeu de caractères composé du groupe de base, à l'exception de la plage de caractères allant de 'm' à 'p', utilisez [a-z-[m-p]].

Considérez l'expression de soustraction de classe de caractères imbriquée, [a-z-[d-w-[m-o]]]. L'expression est évaluée à partir de la plage de caractères la plus interne, vers l'extérieur. Tout d'abord, la plage de caractères 'm' à 'o' est soustraite de la plage de caractères 'd' à 'w', produisant le jeu de caractères 'd' à 'l' et 'p' à 'w'. Ce jeu est ensuite soustrait de la plage de caractères allant de 'a' à 'z', produisant le jeu de caractères [abcmnoxyz].

Vous pouvez utiliser n'importe quelle classe de caractères avec la soustraction de classe de caractères. Pour définir le jeu de caractères qui se compose de tous les caractères Unicode de \u0000 à \uFFFF, à l'exception des espaces blancs (\s), des caractères de la catégorie générale de ponctuation (\p{P}), des caractères du bloc nommé IsGreek (\p{IsGreek}) et du caractère de contrôle LIGNE SUIVANTE Unicode (\x85), utilisez [\u0000-\uFFFF-[\s\p{P}\p{IsGreek}\x85]].

Choisissez des classes de caractères pour une expression de soustraction de classe de caractères qui produira des résultats utiles. Évitez toute expression produisant un jeu de caractères vide, n'ayant aucune correspondance ou toute expression équivalant au groupe de base d'origine. Par exemple, le jeu vide résulte de l'expression [\p{IsBasicLatin}-[\x00-\x7F]] qui soustrait tous les caractères de la catégorie générale IsBasicLatin. De même, le groupe de base d'origine résulte de l'expression [a-z-[0-9]]. Cela est dû au fait que le groupe de base, c'est-à-dire la plage de caractères des lettres de 'a' à 'z', ne contient aucun caractère dans le groupe exclu, c'est-à-dire la plage de caractères des chiffres décimaux de '0' à '9'.

Notez que les expressions régulières de schéma XML a une prise en charge semblable de la soustraction de classe de caractères.