浮子屋商店もよろしく。

正規表現講座/7 のバックアップ(No.6)

バックアップ一覧
差分を表示
現在との差分を表示
現在との差分 - Visual を表示
ソースを表示
正規表現講座/7 へ行く。
- 1 (2006-08-31 (木) 20:16:10)
- 2 (2006-09-01 (金) 04:30:33)
- 3 (2006-09-01 (金) 05:45:33)
- 4 (2006-09-01 (金) 08:28:51)
- 5 (2006-09-30 (土) 16:32:36)
- 6 (2008-04-05 (土) 04:29:43)

れっつ練習！
おさらい
レッツチャレンジ
例題
欲張りなマッチと欲張りでないマッチ
ちょっと脱線
ご指摘などはこちらへ

れっつ練習！

さて、駆け足でやってきましたが、第６回までの説明で、正規表現での検索の基本の部分は押さえたことになります。

次回からは、正規表現の真骨頂、正規表現を使った置換のやりかたを見ていきますが、ここらで一旦おさらいを兼ねて、検索の練習をしてみましょう。

おさらい

まずは、今まで出てきたメタ文字をおさらいしましょう。

メタ文字	意味	出てきた回
.	任意の１文字にマッチ	第１回
[abc]	[]内のどれか１文字にマッチ	第１回
[a-z]	[]内のa～zにマッチ	第２回
[^abc]	[]内以外の任意の１文字にマッチ	第２回
*	直前の正規表現の、０回以上の繰り返し	第３回
+	直前の正規表現の、１回以上の繰り返し	第３回
?	直前の正規表現の、０回もしくは１回の繰り返し	第３回
()	()内の正規表現を、まとめて１つの正規表現として扱う	第４回
\t	タブ記号	第５回
\r	改行記号 0D	第５回
\n	改行記号 0A	第５回
\	直後の記号をエスケープする	第５回
^	先頭にマッチ	第６回
$	末尾にマッチ	第６回

レッツチャレンジ

では、例題です。試しに、HTMLのようなものの検索をしてみましょう。

正規表現テスターを立ち上げ、以下の文章をコピペして、チャレンジしてみてください。
上手く行ったら、自分の使っているエディタに正規表現の機能があるかどうか調べ、そのエディタでも試してみましょう。

なお、正規表現テスターでは、

シングルラインモードON/OFF：『「.」が改行にもマッチする』（チェックでON）
マルチラインモードON/OFF：『「^$」が各行毎にマッチする』（チェックでON）
改行記号は \n

となっています。

例題

#HTMLのようなもの。
#これはコメントです。
<html>
<a href="01234.html">電話番号#1＝"012-3456-7890"</a>
<a href="56789.html">電話番号#2＝"090-0000-0000"</a>
<a  href="kenokeno.html">へもへも</a>
<a   href="kenokeno.html">へもへもへも</a>
<a    href="mononoke.html">ものへも
</a>
</html>

電話番号（012-3456-7890とか）にマッチする正規表現を書け。
数字で出来たファイル名だけ（01234.htmlとか）にマッチする正規表現を書け*1
「<a href="～">」の部分にマッチする正規表現を書け*2
へも、の繰り返しで出来ている部分にマッチする正規表現を書け*3
タグ（<と>で囲まれたもの）に全てマッチする正規表現を書け*4
コメントっぽい行（最初の２行）にマッチする正規表現を書け*5
行内で完結しているリンク（<aで始まり/a>で終わる）にマッチする正規表現を書け*6
全てのリンクにマッチする正規表現を書け*7

欲張りなマッチと欲張りでないマッチ

さて、最後の問題が厄介だったのではないでしょうか。

単純に「<a.*/a>」などとすると、最後のリンクは改行が混じっているのでマッチできませんね。

仕方ないので、シングルラインモード（「.」が改行にもマッチする）をチェックして試してみると、今度は、４つのリンクが全部いっぺんにマッチしてしまった筈です。

これは、第３回でちらっと述べた、「最長一致の法則」、別名「欲張りなマッチ」という仕様が関係しています。

「.*」は、マッチできる限り最長の文字列にマッチしようとします。

「.」が改行にマッチしない場合（シングルラインモードOFF）であれば、「.*」は改行のところで有効範囲が切れるのですが、「.」が改行にマッチするようにすると、何行も何行も延々とマッチし続けてしまうのですね。

つまり、
『「<a」で始まって、改行を含む何文字かがあって、「/a>」で終わる最長の文字列』
を探してしまうわけで、途中に「<a」や「/a>」が含まれていても、それは「.*」の一部分と考えられてしまうわけです。

このような場合に使うのが、「最短一致」です。

「*」「+」の後に「?」をつけると、その場合だけ、「*」「+」は、「可能な限り最短の文字列にマッチ」するようになります。

シングルラインモードONの状態で、「<a.*?/a>」で検索して試してみてください。今度は上手く行く筈です。

この場合、
『「<a」で始まって、改行を含む何文字かがあって、「/a>」で終わる最短の文字列』
を探すので、このような動作になります。

というわけで、メタ文字の一覧に追加です。
こればかりは、実際に例題をやって悩んでみないと存在意味がわからないので、
最後にもってきたのでした。

メタ文字	意味
*?	直前の正規表現の、０回以上の繰り返し（最短一致）
+?	直前の正規表現の、１回以上の繰り返し（最短一致）

なお、「*」「+」だけでなく、量指定子と呼ばれる、繰り返しを指定するメタ文字であれば、その後ろに「?」をつけることにより、最短一致にすることができます。

ちょっと脱線

さて、本文中、いきなり「欲張り」とか言い出してふざけてると思ったのではないでしょうか。
が、実は「欲張りなマッチ」「greedy match」という、正規表現上の専門用語なのです。
他にも、「強欲なマッチ」「possessive match」なんてのもあります。

コンピュータの専門用語、特にUNIX系の用語って、プロセスを殺したり（kill）、プロセスがゾンビ（zombie process）になったり、OSがあわてふためいたり（panic）、茶目っ気のあるというか、コンピュータを擬人化したものが多いですね。

プログラムをしていると、そういう言葉を使うのは良く分かります。
プログラミングというのは、無意識にコンピュータやプログラムの「気持ち」を想像して、
「プログラムの立場に立って」ものを考えるからでしょうか。

開発の現場にいると、

この子があっちのサーバにリクエストを投げます。もしサーバがダンマリだったり
死んでたりしたら、仕方ないのでDBを見に行って別のサーバに投げなおします。

なんて発言は日常茶飯事、だれも気にせず使っていますが、

このプロセスがあっちのサーバにリクエストを送信します。もしサーバがレスポンスを
返さなかったり、サーバが起動していなかったりしたら、データベースを検索して、
別のサーバに送信しなおします。

というのが正しい日本語ですよね。