「正規表現」の勉強のために「メタ文字」をまとめてみた

この記事は約8分で読めます。

イメージ

こんにちは、さち です。

突然ですが、「正規表現」って知っていますか? 簡単に言うと、文章などから特定の文字を探し出す仕組みです。

正規表現はプログラミングで使うイメージが強いですが、実は次のような場面で使えることもあるので、プログラミングをしない人にも役立ちます。

  • テキストエディタの「検索」「置換」
  • ツイッタークライアントのなどの「ミュート」
  • 5ちゃんねるブラウザの「NGワード」

そうは言っても、『書き方が難しそう』『ワイルドカードと何が違うの?』と不安を感じる人もいると思います。

そこで、今回は「正規表現」の記述方法についてまとめていきます。

スポンサーリンク

「メタ文字」を使いこなそう

「正規表現」には「メタ文字」と呼ばれる特殊な文字があります。

「メタ文字」は、ワイルドカードと同じように任意の文字列(文字のられつ)を表現できますが、ワイルドカードよりも具体的で細かな指定ができます。

メタ文字=ワイルドカードのスゴイ版」と思って下さい。

正規表現を使いこなすには、この「メタ文字」の使いこなしが必須です。

次項から「メタ文字」を紹介していきますが、全部を覚える必要はありません。簡単なものを使うだけでも、表現の幅がワイルドカードより格段に上がります。

よく使う「メタ文字」は自然と覚えられるので、気楽にいきましょう。このページをブックマークしておいて、忘れたときに見返せば良いだけのことです。

正規表現については私もまだまだ勉強中です。誤りがありましたら教えて頂けるとありがたいです。

メタ文字の種類

「メタ文字」にはいろいろな種類があります。それぞれの意味で分類して見ていきましょう。

1. 文字の種類

表

どの「文字の種類」が使われているかを指定するメタ文字です。

例えば、.(ドット) は任意の一文字をあらわします。.(ドット) はよく使うので、これだけは絶対に覚えておきましょう。

ちなみに、-(ハイフン) を使った表記は、「文字コードが ○○○ から △△△ までの文字」という意味。

「ひらがな」「カタカナ」のスタートが といった拗音(小さい文字)である理由は、その文字の種類の文字コードが拗音からはじまるからです。(「半角カタカナ」も同様)

ただし、このようなメタ文字であらわせるのは「1文字」だけ。文字数の指定には、次に紹介する繰り返しを意味するメタ文字を使います。

2. 繰り返し

表

文字の「繰り返し」を指定するメタ文字です。

例えば、数字を1回以上繰り返す(=1桁以上の数字)という正規表現は、[0-9]+ のように記述します。

* + による繰り返しはよく使います。それぞれ0回以上」「1回以上」という違いがあるので、上手く使い分けましょう。

? は意外と便利です。例えば「http」と「https」両方に一致させたい場合、「s」は有っても無くてもいいものなので、https? のように記述します。また、jpe?g と記述すれば、「jpg」「jpeg」どちらにも一致します。

X回以上繰り返す記述は注意が必要です。例えば、{5, 9} のように,(コンマ)」の前後にスペースを入れると正常に動かないことがあります。JavaScript などコーディングのクセで入力しないように気をつけましょう。

3. 位置(先頭・末尾など)

表

文字列がどの「位置」にあるかを指定するメタ文字です。このような機能を「アンカー」と呼ばれます。

基本は、先頭,末尾 を意味する、^ $ さえ知っていれば大体のことは間に合います。

例えば、先頭が「http」からはじまる場合は ^http、末尾が「html」でおわる場合はhtml$のように記述します。

ただし、^[ ] 内だと否定の意味になるので注意。例えば、^[0-9] は数字からはじまる文字列という意味ですが、[^0-9] は数字以外の任意の1文字という意味です。

ちなみに、\b の「単語の境界」とは単語の先頭や末尾のこと。例えば、e\b とした場合「cute and clever elichika」で該当するのは、「cute」の末尾の「e(赤字部分)」だけで、他の「e」は該当しません。\be とした場合は「cute and clever elichika」で該当するのは、「elichika」の先頭の「e(赤字部分)」だけです。

4. 選択(AまたはB)

表

「AまたはB」のような「選択」をあらわすメタ文字です。

例えば、正規表現で No(zomi|ntan) と書いた場合、「No」の続きは「zomi」と「ntan」から選択することになり、「Nozomi」と「Nontan」という2つの文字列をあらわします。

普通なら2つの文字列を別々に書く必要があるものを、一つの正規表現であらわせるわけです。

ちなみに、「選択」は複数使用できるので、No(zomi|ntan|nnon) のようにさらに追加できます。

5. エスケープ文字

表

エスケープするときに使う\」はフォントによって表示が異なる文字です。海外フォントでは半角の「(バックスラッシュ)」、日本語フォントでは半角の「(円記号)」で表示されることが多いです。

.(ドット) をはじめとした特殊な意味を持つ「メタ文字」は、そのままだと「普通の文字」として使うことができません。

例えば、正規表現で「www.lovelive.jp」という文字列を作るには、www\.lovelive\.jp のように .(ドット) の前に \ を書く必要があります。

このような方法を「エスケープ」と言います。

また、\ 自体も直後の文字をエスケープする「メタ文字」なので、普通の文字として使うには \\ と書く必要があります。

使用するプログラミング言語によって、「エスケープ」が必要になる文字が微妙に違います。注意して下さい。

例えば、JavaScript では / で囲んだ部分は「正規表現リテラル」になるので、この中で / を表すには \/ とエスケープが必要です。

6. その他のメタ文字

表

特殊な意味を持つメタ文字です。

「改行」「タブ」「空白」を意味する \n \t \s を知っていれば大体は何とかなります。(アルファベットを大文字にすると「否定(~以外)」の意味になる)

\d \l \u \w などは記述を省力化できて便利ですが、文字種の指定でも間に合うので無理に覚えなくてもいいです。

\R は改行をまとめて指定できるので便利ですが、正規表現を扱う環境(テキストエディター・プログラミング言語など)によっては使えない場合があります。

7. キャプチャ

表

カッコで囲むとその部分がキャプチャされ、使い回すことができます。少し複雑なので、最初は無理に使わなくて大丈夫です。

例えば、([a-z]+)_\1 とした場合、「ma_ma」「pa_pa」「waku_waku」など同じ文字列が連続したものを探せます。

また、「置換」ではキャプチャした内容を出力にも利用できます。例えば、「検索」を ([a-z]+)_\1、「置換」を $1×2 とすると、「ma_ma」は「ma×2」、「waku_waku」は「waku×2」に置換できます。( $1 でなく \1 と記述する場合もある)

8. 先読み・後読み

表

特定の文字列を含む/含まないようにする時に使う記述方法です。これも少し複雑なので、最初は無理に使わなくて大丈夫です。

「先読み」の「先」は、今いる場所より「先」の文字を読むことを意味します。つまり、「先読み=直後に○○という文字列がある」ことを意味します。「後読み」も同様に考えれば、「直前に○○という文字列がある」ことを意味するのが分かります。

「先読み」「後読み」で行うのは、条件を満たす「位置」を探すことだけ(アンカー)です。先頭/末尾をあらわす ^ $ と同じ仲間だと思って下さい。

例えば、肯定先読みを使って Yo(?=hane) とした場合、「Yohane」は Yo の直後に hane を含むので一致しますが、「Yoshiko」には一致しません。ただし、肯定先読みの機能は「位置」を探すことだけなので、抽出されるのは「Yo」だけです。

主な使い道は、位置の指定に使いたい文字列があるけれど、その文字列自体を抽出したいわけではないという場合です。例えば、行末にある空白だけを抽出したいときは、[ \t ]+(?=\R) とします。

記述の覚え方としては、? の後が = なら肯定(含む)、! なら否定(含まない)。さらに、その間に < が有れば「後読み」、無ければ「先読み」です。

「\」が付くメタ文字が機能しない場合

例えば、JavaScript の「文字列リテラル("' で囲んだ文字列を書く部分)」では、正規表現の \n \d \\ などが正常に機能しません。

そのような場合、\\\ に置き換えましょう。\n\\n\d\\d\\\\\\ といった感じです。これで正常に機能するはずです。

var re = new RegExp("\d+円");//動かない

var re = new RegExp("\\d+円");//動く

なぜ置き換えないと動かないのか……?

例えば、JavaScript で alert("こんにちは\nさようなら") と書いたとき、文字の \n は表示されず「改行」になりますよね。つまり、JavaScript でも \ はメタ文字なんです。

これと同じことが \d にも起こります。

しかし、JavaScript には \d という表記は存在しません。その結果、エスケープ文字と判断され単なる d になり、これが正規表現に送られます。

だから正常に動かないわけです。(同様に、\\\ に変換されてから正規表現に送られる)

ちなみに、「文字列リテラル」ではなく「正規表現リテラル」を使えば、このような現象は起きません。通常の記述をしても大丈夫です。(JavaScript では / で囲んだ部分が正規表現リテラルになる)

// 文字列リテラルを使った記述
var re = new RegExp("\\d+円");

// 正規表現リテラルを使った記述
var re = /\d+円/;

文字列リテラルに正規表現を記述する場合は、そのプログラミング言語のメタ文字に注意しましょう。

関連記事

「正規表現」を超わかりやすい図に変換してくれるサイト

コメント

タイトルとURLをコピーしました