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、他にも……
- 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」
などで使えることがあるので、プログラミングをしない人にも役立ちます。
ただ、『書き方が難しそう』『ワイルドカードと何が違うの?』そんな不安があ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。
「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。この「メタ文字」を使って、複数の文字列をまとめて表現できます。
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!
「メタ文字」をすべて覚える必要はありません。簡単なものだけでも、そこそこ複雑な文字列を表現できます。
よく使う「メタ文字」は自然と覚えられます。気楽にいきましょう。
メタ文字の種類
メタ文字にはいろいろなものがあり、意味するものが異なります。種類ごとに勉強していきましょう。
1. 文字の種類
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
文字の「繰り返し」を指定するメタ文字です。
例えば、数字が0回以上の繰り返すという正規表現は、[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」という違いがあります。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」両方を対象にしたい場合、「s」は有っても無くてもよいものと言えるので、https?
のように記述します。
○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きません。JavaScript などの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)
文字列がどの「位置」にあるかを指定するメタ文字です。
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、^
は [ ]
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)
「AまたはB」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
.(ドット)
をはじめとした「メタ文字」で特殊な意味を持つ文字は、そのままでは「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 \
を書きます。
このような方法を「エスケープ」と言います。
また、\
自体もメタ文字(=特殊な意味を持つ文字)なので、普通の文字として「\」を使うには \\
と書く必要があります。
ちなみに、「\」はフォントによって表示が異なる文字です。海外のフォントでは半角の「\(バックスラッシュ)」、日本語のフォントでは半角の「¥(円記号)」で表示されます。
6. その他のメタ文字
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。
7. 先読み・後読み
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。少し複雑なので、無理に使わなくても大丈夫です。
先読み,後読みで行われるのは条件を満たす「位置」を探すことです。先頭/末尾をあらわす ^
$
などの仲間だと思って下さい。
例えば、否定先読みを使って Yo(?!shiko)
とした場合、「Yoshiko」は一致しませんが、「Yohane」は一致します。ただし、行われるの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。
8. キャプチャ
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。これも最初は無理に使わなくても大丈夫です。
例えば、([a-z]+)_\1
とした場合、「ma_ma」「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)
「\」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」の部分、つまり「"」や「'」で囲まれた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、「\」を「\\」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");
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。JavaScript でも「\」はメタ文字(=特殊な意味を持つ文字)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。結果、「\」が削除されて単なる「d」になり、これが正規表現に送られます。そのため、正規表現が正常に動かないわけです。(同様に、\\
は「\」に変換されてから正規表現に送られる)
ちなみに、文字列リテラルを使わない方法で正規表現を書けば、通常どおりに記述しても大丈夫です。(JavaScript では「/」で囲まれた部分は正規表現リテラルとなる)
↓
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。
正規表現については私もまだまだ勉強中です。誤りなどがありましたら教えて頂けるとありがたいです。
今回紹介したメタ文字については、比較的簡単で使いやすいものに絞っているので、物足りない方は別途検索して勉強してみて下さい。
コメント