Manipuler du texte et des données en Python : regex, JSON et CSV

Presque tout programme concret est, au fond, un traducteur : les données arrivent sous une forme et doivent repartir sous une autre. Un fichier journal devient un rapport, un export de tableur devient des lignes de base de données, une réponse d'API devient des objets exploitables par votre code. Cette leçon présente les trois outils qui couvrent l'immense majorité de ce travail : les expressions régulières pour trouver une structure dans du texte libre, JSON pour le format qu'utilisent les services web et les fichiers de configuration, et CSV pour le format des tableurs et des exports de données. Maîtrisez ces trois-là, et la phrase « pouvez-vous traiter ce fichier » ne vous fera plus jamais peur.

Un avertissement honnête sur les expressions régulières, car la franchise forme mieux que l'enthousiasme : regex est un langage de motifs compact avec une vraie courbe d'apprentissage, et personne ne le retient en entier. Les professionnels que vous admirez connaissent par cœur peut-être une douzaine de briques de base et consultent le reste, à chaque fois, sans honte. Cette leçon enseigne exactement cette douzaine essentielle, et le bac à sable vous permet de tester les motifs en direct, ce qui est vraiment la seule façon dont quiconque a jamais appris les regex.

1. D'abord, les outils que vous avez déjà

N'utilisez les regex qu'en dernier recours, pas en premier. Les chaînes Python embarquent une boîte à outils qui résout la plupart des problèmes textuels courants en un seul appel lisible : strip et ses variantes suppriment les espaces, split et join convertissent entre chaînes et listes, replace substitue, startswith et endswith testent les extrémités, lower normalise la casse, et l'opérateur in trouve des sous-chaînes. Le choix entre find et regex est simple : si vous cherchez un texte littéral, les chaînes suffisent ; si vous cherchez une forme de texte, comme n'importe quelle adresse email ou n'importe quelle date, c'est le domaine des regex.

line = "  Amina Perera <amina@example.com>  "

clean = line.strip()
print(clean.lower().startswith("amina"))   # True
print("@" in clean)                        # True

name_part = clean.split("<")[0].strip()
print(name_part)                           # Amina Perera
print("-".join(["2026", "06", "13"]))      # 2026-06-13

2. Regex : les douze briques de base

Une expression régulière est un motif qui décrit une famille de chaînes. Le vocabulaire qui couvre le travail quotidien : un point correspond à n'importe quel caractère ; \d, \w et \s correspondent à un chiffre, un caractère de mot et un espace blanc, les majuscules signifiant l'inverse ; les crochets définissent votre propre classe de caractères comme [aeiou] ; les quantificateurs disent combien, avec * pour zéro ou plus, + pour un ou plus, ? pour optionnel, et {n,m} pour une plage comptée ; les ancres ^ et $ fixent le motif au début et à la fin ; les parenthèses groupent et capturent ; et la barre verticale signifie ou. Écrivez les motifs sous forme de chaînes brutes, r"...", pour que les barres obliques inversées survivent intactes.

import re

text = "Order #4321 shipped on 2026-06-13 to amina@example.com"

print(re.search(r"\d{4}-\d{2}-\d{2}", text).group())   # 2026-06-13
print(re.findall(r"#\d+", text))                       # ['#4321']

m = re.search(r"(\w+)@([\w.]+)", text)                 # capture groups
print(m.group(1), "at", m.group(2))    # amina at example.com

masked = re.sub(r"\w+@[\w.]+", "[email hidden]", text)
print(masked)

Une subtilité sépare la recherche de la validation, et le motif EMAIL dans le bac à sable ci-dessous en dépend. re.search répond à « cette forme apparaît-elle quelque part dans le texte », ce qui est correct pour l'extraction ; la validation demande « est-ce que toute la chaîne a cette forme », ce qui nécessite les ancres : ^ au début, $ à la fin, ou la fonction pratique re.fullmatch qui implique les deux. Un validateur d'email sans ancres accepte joyeusement « junk amina@example.com junk », un bug qui a été livré en production plus de fois que quiconque ne l'admettra. Extraction : pas d'ancres. Validation : ancres, toujours.

Ces trois fonctions constituent toute l'API quotidienne. re.search trouve la première occurrence n'importe où et renvoie un objet match, ou None, ce qui, après la partie 10, vous reconnaissez comme une union qui réclame une garde. re.findall renvoie toutes les correspondances sous forme de liste de chaînes, ou de tuples quand le motif a des groupes. re.sub remplace les correspondances, un chercher-remplacer propulsé par regex. Les groupes sont le superpouvoir : les parenthèses découpent une correspondance en morceaux nommés, transformant « trouver la date » en « extraire l'année, le mois et le jour » en un seul mouvement.

Trois raffinements font passer vos regex de la salle de classe au monde professionnel. Quand un motif est utilisé de façon répétée, compilez-le une fois avec re.compile et réutilisez l'objet, ce qui est plus rapide et donne au motif un nom qui documente l'intention. Les drapeaux ajustent le comportement de correspondance : re.IGNORECASE fait ce qu'il dit, et re.MULTILINE fait que ^ et $ fonctionnent par ligne plutôt que par chaîne entière, essentiel pour analyser des fichiers entiers. Et sachez que les quantificateurs sont gourmands par défaut, correspondant au maximum possible, donc r"<.+>" engloutit du premier crochet angulaire au dernier ; la variante paresseuse .+? s'arrête au premier crochet fermant, et ce seul point d'interrogation fait la différence entre extraire une balise HTML et extraire tout le document.

3. JSON : le langage des API

JSON, JavaScript Object Notation, est le format qu'utilisent les services web, les fichiers de configuration et la plupart des outils modernes pour échanger des données structurées. Python l'adopte naturellement car la correspondance est presque directe : les objets JSON deviennent des dicts, les tableaux des listes, et les chaînes, nombres, booléens ainsi que null se traduisent par str, les types numériques, True, False et None. Le module json ne demande que quatre fonctions : loads analyse une chaîne, dumps sérialise vers une chaîne, tandis que load et dump font la même chose directement depuis et vers des fichiers. Le JSON réel est imbriqué, des dicts contenant des listes de dicts, et les compétences acquises dans la Partie 5 vous permettent de le parcourir sans effort.

import json

raw = '{"name": "Amina", "scores": [87, 91], "active": true}'
student = json.loads(raw)
print(student["scores"][1])                  # 91
print(type(student["active"]))               # <class 'bool'>

student["city"] = "Colombo"
print(json.dumps(student, indent=2))         # pretty, share-ready

with open("student.json", "w") as f:         # to a file
    json.dump(student, f, indent=2)
with open("student.json") as f:              # and back
    again = json.load(f)
print(again == student)                      # True: a clean round trip

Deux habitudes distinguent les professionnels. Premièrement, un JSON mal formé lève une exception json.JSONDecodeError, et tout JSON provenant de l'extérieur mérite la protection try abordée dans la Partie 7. Deuxièmement, quand un service vous fournit du JSON imbriqué, explorez-le de manière interactive avant d'écrire du code : chargez-le dans le REPL, inspectez .keys(), descendez d'un niveau, répétez. Cinq minutes de cartographie vous épargnent une heure de chasse aux KeyError, une méthode de travail qui devient un réflexe au moment où vous appelez votre première vraie API dans la Partie 16.

4. CSV : le langage des tableurs

Le CSV est d'une simplicité trompeuse, des lignes de valeurs séparées par des virgules, et c'est là que réside la tromperie : les champs peuvent contenir des virgules entre guillemets, les guillemets sont échappés en les doublant, et des retours à la ligne peuvent se trouver à l'intérieur des champs. N'analysez jamais un CSV avec split(","), car les cas particuliers finiront par vous rattraper. Le module csv les gère tous, et sa variante dictionnaire est celle à apprendre : DictReader utilise la ligne d'en-tête pour vous fournir chaque enregistrement sous forme de dict, et DictWriter fait l'inverse. Soudain, chaque ligne devient la structure de données étiquetée que vous maîtrisez depuis la Partie 5.

import csv

with open("sales.csv", "w", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=["product", "qty", "price"])
    writer.writeheader()
    writer.writerow({"product": "Laptop, 15 inch", "qty": 2, "price": 185000})
    writer.writerow({"product": "Mouse", "qty": 10, "price": 2500})

with open("sales.csv", newline="") as f:
    for row in csv.DictReader(f):
        value = int(row["qty"]) * float(row["price"])
        print(f"{row['product']:18} -> {value:>10,.0f}")

Remarquez la virgule qui survit sans problème à l'intérieur de "Laptop, 15 inch", les guillemets étant gérés de manière transparente dans les deux sens, et un écueil éternel : le CSV vous donne toujours des chaînes, donc les nombres nécessitent les conversions int et float que vous pratiquez depuis la Partie 1, avec la protection try de la Partie 7 lorsque les données ne sont pas fiables. L'argument newline="" dans open est une exigence documentée du module csv ; considérez-le comme faisant partie de l'incantation.

Le module csv prend également en charge les nombreux dialectes de ce format. Les exports séparés par des tabulations ne demandent que delimiter="\t" dans le lecteur, les tableurs européens qui utilisent des points-virgules nécessitent delimiter=";", et les conventions de guillemets inhabituelles disposent d'options correspondantes. Quand un fichier arrive en ressemblant presque à du CSV mais pas tout à fait, résistez à l'envie de l'analyser à la main : ouvrez-le dans un éditeur de texte, identifiez visuellement le délimiteur et les guillemets, puis indiquez-les à DictReader, qui a déjà rencontré tous les dialectes que vous croiserez.

5. Mise en pratique : le traducteur complet

Voici la promesse de la leçon devenue réalité : un pipeline complet qui prend un export CSV mal formé, valide les lignes avec une expression régulière, convertit les types, ignore et signale les lignes défectueuses, puis produit du JSON propre, chaque étape étant construite à partir d'une leçon de ce cours. Cette forme, ingestion, validation, transformation, émission, représente une part substantielle de tout le travail Python rémunéré, et le mini-projet CSV Sales Analyzer de l'application Learn Python est un grand frère de ce programme exact.

Étudiez le fonctionnement de la gestion des échecs : l'expression régulière valide la forme, int() valide les nombres, les deux modes d'échec convergent vers un seul except as ValueError, et les rejets sont collectés avec leurs raisons plutôt que d'être simplement écartés, selon la discipline de la Partie 7. Quand ce pipeline gagnera en maturité, la couche de validation deviendra des modèles Pydantic et les formes seront vérifiées de bout en bout ; le cours sur les sorties structurées de notre série avancée apprend même aux modèles de langage à émettre du JSON qui passe ce type de contrôle.

6. Récapitulatif et perspectives

Vous savez désormais traduire entre les trois dialectes de données quotidiens : les méthodes de chaînes pour le texte littéral, un noyau fonctionnel d'expressions régulières avec classes, quantificateurs, ancres et groupes exploités via search, findall et sub, les allers-retours JSON avec le module json, et un CSV robuste avec DictReader et DictWriter, le tout combiné en un pipeline de validation avec un rapport d'erreurs honnête. C'est la leçon que les employeurs testent discrètement en entretien, car c'est la leçon dont le travail quotidien est fait.

Ensuite, le cours aborde le sujet le plus entouré de mystique et le réduit à des décisions simples : Partie 12, la concurrence, où vos programmes apprennent à attendre plusieurs choses à la fois. Avant cela, terminez les trois exercices du bac à sable ci-dessus, et faites les quiz JSON et CSV dans l'application Learn Python ci-dessous ; le programme complet en seize parties se trouve sur le hub de la série.

Pratiquez en mobilité

Learn Python, l'application Android gratuite

Chaque sujet de cette série est également disponible dans l'application : leçons concises, exemples exécutables, quiz, mini-projets et un environnement Python hors ligne qui fonctionne sur votre téléphone.

Disponible sur Google Play Voir la page de l'application