間違いだらけの正規表現講座 level 5

メタスケープ！

さて、講座も多分折り返しくらいでしょうか、第５回です。
今回は、「メタ文字」「エスケープ」「改行の扱い」について覚えましょう。

なお、今回本文中に「\」という文字がいっぱい出てきます。
バックスラッシュに見えている環境が多いと思いますが、 これは日本語環境での、半角の「￥」記号と同じです。

メタ文字

今まで、正規表現特有の記号について覚えてきました。
たとえば、「*」、「+」、「()」などです。
これらはそれぞれ特別な意味を持っていました。

このような、「正規表現で特別な意味をもつ記号」のことを、「メタ文字」と呼びます。
メタ文字には、今まで紹介したものの他に、次のようなものもあります。

タブ記号の説明は要りませんね。
例えば

ほげ\t+へも

と書くと、
「『ほげ』があってその直後にタブが１つ以上あって、その後に『へも』がある」
という正規表現になるわけです。

改行記号は説明が必要かもしれません。
OSによって改行を表す文字コードが異なるため、このように二つのメタ文字があります。

• Windowsでは文字コード 0D 0A の２文字で１つの改行を表します。
• UNIXでは文字コード 0A の１文字で１つの改行を表します。
• Macでは文字コード 0D の１文字で１つの改行を表します。

そして、\rと\nがそれぞれ 0D と 0A のどちら（或いは両方）を表すのかは、 正規表現をつかうツールによって異なります。
ほとんどの場合、Windowsでは、\r\n もしくは \n で改行を表すことができます。

エスケープ

さて、正規表現には色々なメタ文字が用意されていますが、その文字自身を表したいときは どのようにすれば良いでしょうか。

例えば、「()で囲まれた数字を探す」とき、どのような正規表現を書きますか。

([0-9]+)

と書いてしまうと、「()」が第４回で学んだ「まとめて１つ」の意味になってしまいます。

そのような時に必要なのが、「エスケープ」です。
「エスケープ」は、「メタ文字を普通の文字とする」意味があります。

ほとんどの正規表現ツールでは、メタ文字の前に「\」をつけることによって、 「エスケープ」することができます。

例えば、さっきの例では、

\([0-9]+\)

と書けば望むものが検索できるわけです。
「\」自身を検索したいときは、「\\」と書きます。
「\t」という文字列そのもの（タブ記号じゃないですよ）を検索したいときは、 「\\t」と書くわけです。

ちなみにこれが、複雑な正規表現が「\」まみれになる理由だったりします。

改行の扱い

正規表現を扱うツールには、「シングルラインモード」のON/OFFができる 場合があります。

これ、何が変わるかというと、主に「.」の扱いが変わるのですね。

• シングルラインモードONでは、「.」は改行コード（\rや\n）にもマッチします。
• シングルラインモードOFFでは、「.」は改行コードにマッチしません。

エディタ等ではほとんどの場合、シングルラインモードはOFFだと思いますが、 改行を超えて文字列を検索したい場合など、シングルラインモードをONにすると 便利な場合もあります。

たとえば、HTMLの中の <a href="～">○○</a> という部分を探したい場合。
シングルラインモードOFFで、普通に「<a href=".*">.*</a>」と書いてしまうと、

<a href="mononoke.html">
もののけ
</a>

は、「もののけ」の前後に、改行文字＝「.」に当てはまらない文字、が入っているため、 マッチしません。そのような時に「シングルラインモードON」が使えます。
「シングルラインモード」の呼び名はツールによって異なるので、探してみてください。

ちょっと脱線

0Dのことをキャリッジリターン（CR）、0Aのことをラインフィード（LF） と呼んだりします。

これ、いにしえのタイプライタ時代の「改行」の動作、

• 文字を打つヘッダ（キャリッジ）を左に戻す＝キャリッジリターン
• 紙を１行分下に送る＝ラインフィード

から来ているらしいですが、キーボード配列のQWERTYなど、 コンピュータって、変なところで昔の慣習を引きずっているものです。

ご指摘などはこちらへ