0.はじめに

伝えたいこと

生産性を向上させる、基本的な正規表現

目次

正規表現の概要
正規表現の基本的な構文
正規表現の応用的な構文
私がよく使う正規表現
付録

参考図書

正規表現技術入門

このスライドでは、主にこの本から引用、参照しています。

正規表現の動作確認

このスライドでの正規表現は、サクラエディタ Ver. 2.2.0.1で、動作確認しました。

正規表現確認用ファイルを用いて、動作確認しました。

1.正規表現の概要

正規表現とは？

「regular expression」の訳語。
文字列のパターンを記述するため「表現式」。

たとえば、[0-9]という正規表現は「0から9までの数字1文字」を表すパターン。

文字列の検索や置換に使える。

正規表現の使いどころ

修正個所に対する影響範囲の調査
入力チェック処理
ログの検索、抽出

正規表現を学ぶ利点

ほどほどに「単純」であること
それでいて「強力」であること
（正規表現で解決できる問題は多くある）
そして「廃れない」こと
（約半世紀の歴史がある。実装的・理論的裏付けがあり、簡単に廃れるようなものでない）

「正規表現技術入門」p.2より引用

正規表現エンジン

さまざまなプログラミング言語、アプリケーションで正規表現は使える。

Java, Python, Perl, JavaScript....
Eclipse, Sakura Editor, Word....

ただし、書き方や挙動に違いがあるので、注意が必要。

2. 正規表現の基本的な構文

基本的な正規表現のメタ文字

メタ文字：特別な意味を持つ文字

正規表現のメタ文字は２種類ある

構成要素: 数字を表す\dのように、それ自身があるパターンを表すもの
演算子: 「4回の繰り返し」を表す{4}のように、他の正規表現と組み合わせてパターンを表すもの

名称	演算子
選択	\|
量指定子	`* + ? {}`
グループ化	`() (?:)`

名称	構成要素
ドット(任意の1文字)	`.`
文字クラス	`[abc]`
アンカー	`^ $ \b \B`

「正規表現技術入門」p.6より引用

ドット（構成要素）

任意の１文字を表す。
「a.b」という正規表現は、以下の文字にマッチする。

『aab』
『a b』

【注意事項】

どこまで任意か？NUL文字、改行文字も含むのか？
１文字の定義は？マルチバイト文字は１文字か？

文字クラス（構成要素）

「アルファベット」や「数字」など「一連の文字たち」を表すときに使う。

[abc] ：「a, b, c」のいずれか
[0-9] ：数字
[A-Z] ：大文字のみのアルファベット
[A-Za-z] ：大文字と小文字のアルファベット
[^0-9A-Za-z]：数字やアルファベット以外

【注意事項】

「-」（ハイフン）は範囲指定、「^」（ハット）は否定を表す。
ブラケットの先頭に「^」を書かないと、「否定」を表さない。

量指定子（演算子）

パターンの繰り返しを表す演算子。

*：0回以上の任意回の繰り返し
+：1回以上の任意回の繰り返し
?：0回か１回か、あるかないか？
{n,m}：n回からm回の繰り返し
{n}：n回の繰り返し
{n,}：n回以上の任意回の繰り返し

[Try] 以下の正規表現でマッチする文字列を確認

ab*c
ab+c
ab?c
ab{2,3}c

選択（演算子）

複数パターンの選択。

「(abc|ABC)」という正規表現は、『abc』または『ABC』にマッチする。

文字クラスは、１文字だけの「選択」を表したもの。
[x-z]はx|y|zと同等。

アンカー（構成要素）

文字列でなく「位置」にマッチするメタ文字。

^：行頭
$：行末
\b：単語の境界（単語と空白との間）
\B：単語の境界以外

【注意事項】
\bは単語の境界の「空白」でなく、単語の境界そのものにマッチする。
『a b』という文字に対して、a\bは『a』にマッチして、『a 』（スペースあり）にマッチしない。

特殊文字を表すエスケープシーケンス

\t：水平タブ
\n：改行(Line Feed)
\r：復帰(Carriage Return)
\f：改ページ

文字クラスを表すエスケープシーケンス

文字クラスを略した表現。

\d：数字([0-9])
\D：数字以外([^0-9])
\w：単語構成文字([A-Za-z0-9_])
\W：単語構成文字([^A-Za-z0-9_])
\s：空白文字([\t\n\f\r])
\S：空白文字以外([^\t\n\f\r])

【注意事項】

大文字は「否定」を表す。
\wはアンダースコアも含む

3. 正規表現の応用的な構文

番号指定で置換

()でグループ化したパターンは、番号指定で参照可能。

日付フォーマットを「yyyy/mm/dd」から「dd/mm/yyyy」に変える場合、

置換前： (\d{4})/(\d{2})/(\d{2})
置換後： $3/$2/$1

[Try] 名前指定で置換

グループ化したパターンに名前を付けられる。
番号指定よりメンテナンス性が向上。

構文：(?<name>式)
参照方法：$+{name}

※サクラエディタで動作する構文

日付フォーマットを「yyyy/mm/dd」から「dd/mm/yyyy」に変える場合

置換前： (?<year>\d{4})/(?<month>\d{2})/(?<day>\d{2})
置換後： $+{day}/$+{month}/$+{year}

最長一致

文字列『aaa』に対して、a+というパターンは『aaa』にマッチする。
しかし、「文字列『a』の1回以上の繰り返し」と考えた場合、以下の文字列にもマッチするはずである。

『a』
『aa』

+は「できる限り長くマッチさせる」ように振る舞う（最長一致）ので、『aaa』にマッチする。

「欲張りな量指定子」(greedy quantifier)とも呼ぶ。

[Try] 最短一致

「できる限り短くマッチさせる」場合は、量指定子の直後に?を付ける。

文字列『aaa』に対して、a+?というパターンは『a』にマッチする。

最長一致	最短一致
`*`	`*?`
`+`	`+?`
`?`	`??`
`{n} {n,m}`	`{n}? {n,m}?`

「控え目な量指定子」(lazy quantifier)とも呼ぶ。

最短一致の活用例

引用符で囲まれた文字を抽出するのに便利。

文字列『"america","japan","china"』に対して、個々の文字列にマッチさせたい場合、正規表現 ".*?" で、引用符で囲まれた文字列ごとにマッチする。

4. 私がよく使う正規表現

カンマごとに改行する

JavaのtoStringメソッドの結果などは、カンマ区切りの長い１行で出力される。
カンマごとに改行して見やすくする。

置換前：,
置換後：\r\n

Windowsの改行コードは「CF+LF」。改行を取り除く場合は、「\r\n」を消す必要がある。

iBatis用のUPDATE文を作成

UPDATE文のSET句に関して。
たいてい列名とパラメータ名は同じなので、置換でSET句を生成する。

列名リスト.txt

id
name
date

afterSqlMap.xml

id = #id#
name = #name#
date = #date#

置換前：(\w+)
置換後：$1 = #$1#"

半角文字以外を検索

半角文字をASCII文字コード表のx01からx7Eまでとみなして、それ以外を検索する。

検索パターン：[^\x01-\x7E]

5. 付録

正規表現と数学

1950年代、数学者クリーネが正規表現のモデルを考える
正規表現の研究は、有限オートマトンの研究と密接に紐づいていた。

正規表現とワイルドカードの違い

ワイルドカードは、検索などグロブ（英語版）の際に指定するパターンに使用する特殊文字の種類で、どんな対象文字、ないし文字列にもマッチするもののことである。カードゲームのワイルドカードに由来する呼称。

Wikipedia ワイルドカードより引用

Windowsコマンドプロンプト
- *：任意の長さの文字
- ?：任意の1文字
SQLのWHERE句 LIKE演算子
- % ：任意の長さの文字
- _：任意の1文字

正規表現の可視化ツール

Regexper ：オートマトンに変換

^[A-Z]+?$ を可視化

おわり