浮子屋商店もよろしく。

正規表現講座/9 のバックアップ(No.1)

細かいあれこれ

さて、大詰め、第９回です。
今回は、今までの講座の中で説明しなかった細かい部分を、ざっと説明します。
今までの講座で基本は分かっていると思いますので、追加でこういう表現もあるんだな、程度に思っておけば良いと思います。

なお、今回の講座で出てくるメタ文字は、今までの講座以上に、正規表現を使うツール、処理系に依存する可能性が高いため、使いたい時は、その処理系のマニュアルを見ておいた方が無難です。

数字１文字を表すには、

[0-9]

と書けば良いのでしたが、いっぱい数字を使う場合面倒ですね。変わりに、

\d

という略記が使える場合が多いです。「\d」と書けば、「[0-9]」と書いたのと同じ、という意味です。
以下のような略記が使える場合が多いです。

\d	数字１文字、[0-9]と同じ意味
\s	空白文字、半角の空白やタブや改行など、目に見えない文字*1。
\S	非空白文字、目に見える文字
\w	単語を構成する文字、多くの処理系で [a-zA-Z0-9_] と同じ意味
\W	単語を構成しない文字、多くの処理系で[^a-zA-Z0-9_] と同じ意味

「*」は０回以上の繰り返し、「+」は１回以上の繰り返し、でした。
では、３回の繰り返し、を表すにはどうすれば良いでしょうか。
同じ正規表現を３回書けばよいのですが、面倒ですね。

そのために、ｎ回の繰り返し、といった表現があります。

{n} ちょうどｎ回の繰り返し
{n,} 少なくともｎ回の繰り返し
{n,m} n回以上、m回以下の繰り返し

これを使うと、例えばケータイの電話番号などは、次のように書けるわけです。

\d{3}-\d{4}-\d{4}

こんにちは、あかちゃん
こにゃちは、あおちゃん
こにゃにゃちは、きいろちゃん
こにゃにゃにゃちは、みどりちゃん
さようなら、くろちゃん

この文字列から、挨拶っぽい部分、つまり、こんにちは、さようなら、こにゃにゃちは、のような部分を抜き出したいとします。

こんにちは、にもさようなら、にもマッチする正規表現は、ちょっと思いつかないですよね。

そのような場合に、「この中のどれか」を表す記号があります。

| |で区切った中のどれか

この場合、

こんにちは|さようなら|こ(にゃ)+ちは

と書けば、挨拶の部分にマッチします。

ただし、他の正規表現に混ざって使う場合、|の区切りがどこまでの範囲なのかを
明示するため、

(こんにちは|さようなら|こ(にゃ)+ちは)

このようにカッコで囲んで置いたほうがよいです。
このカッコは、「まとめて一つ」のカッコと同じですから、グループ化とキャプチャの意味も併せ持つことに注意してください。

さて、カッコにはグループ化とキャプチャの意味がありますが、置換表現で「$1」などを使う場合、カッコを沢山使うと、何番目のカッコなのかが良く分からなくなり、面倒な場合があります。

たとえばさっきの例文で、色を表す語句の部分、「あか」や「あお」だけを抜き出したいとします。

正規表現を次のように書くと：

(こんにちは|さようなら|こ(にゃ)+ちは)、(.*)ちゃん

色の部分のカッコが出てくるのは３番目なので、置換表現に使うのは、

$3

となりますが、数えるのは面倒です。

このような場合のため、「グループ化するけどキャプチャしない」記法があります。

(?:) グループ化するけどキャプチャしない

先ほどの表現を書き直すと、

正規表現：(?:こんにちは|さようなら|こ(?:にゃ)+ちは)、(.*)ちゃん
置換表現：$1

となり、必要な部分だけをキャプチャすることができます。

今回紹介した以外にも、処理系によって色々な表現があります。
が、それらの表現は滅多に使わないと思います。
一応、普段使う可能性のあるのは網羅したつもりですが、「これが抜けてるぞ」等のご指摘をいただければ追加したいと思います。