メインコンテンツへスキップ
見出し画像
Photo bysatoshi_st

正規表現って結局何なのか整理してみた

    正規表現、名前はよく聞くし、コードの中でもたまに見かけます。

    でも正直、「意味のわからない記号が並んでいる呪文」くらいの理解で、自分で書くことはほとんどありませんでした。

    このままだと一生書けるようにならない気がしたので、基本だけちゃんと整理してみることにしました。

    ■ 正規表現とは何か

    正規表現(Regular Expression)とは、文字列のパターンを表現するための記法のことです。

    「この形式の文字列に当てはまるか?」をチェックしたり、「この条件に合う部分を探して置き換える」といった処理をするときに使います。

    例えば、メールアドレスっぽい形式になっているかを確認したり、ログファイルの中から特定のパターンの行だけを抜き出したり、といった場面でよく登場します。

    ■ 基本的な書き方(よく使う記号)

    まずはよく出てくる記号を整理します。

    ・`.` 任意の1文字にマッチ
    ・`*` 直前の文字の0回以上の繰り返し
    ・`+` 直前の文字の1回以上の繰り返し
    ・`?` 直前の文字が0回または1回
    ・`^` 行(文字列)の先頭
    ・`$` 行(文字列)の末尾
    ・`[]` 文字クラス。中に入れた文字のうち、いずれか1文字にマッチ
    ・`()` グループ化。まとまりとして扱ったり、マッチした部分を取り出したりする
    ・`|` OR(どちらか)
    ・`\d` 数字1文字(0〜9)
    ・`\w` 英数字・アンダースコア1文字
    ・`\s` 空白文字(スペース・タブ・改行など)1文字

    これらを組み合わせて、`\d{3}-\d{4}`(数字3桁、ハイフン、数字4桁)のように、郵便番号っぽい形式を表現したりします。

    ■ 使いどころ

    実務でよく使われる場面は、だいたいこの3つに整理できそうです。

    1. バリデーション:入力された文字列が、期待する形式になっているかをチェックする

    2. 検索:大量のテキスト・ログの中から、条件に合う行や部分だけを探す

    3. 置換:文字列の一部を、パターンにマッチした部分だけ別の文字列に置き換える

    エディタの検索・置換機能で「正規表現を使う」というオプションを見たことがある人も多いと思いますが、まさにこの「検索・置換」の用途です。

    ■ バックスラッシュ1本と2本の違い

    実際に手を動かしていて、一番混乱したのがこの違いでした。

    比べたいのは、次の2つのパターンです。

    パターンA:角カッコの中に「カンマ」「バックスラッシュ1本」「n」
    [,\n]

    パターンB:角カッコの中に「カンマ」「バックスラッシュ2本」「n」
    [,\\n]

    見た目はほぼ同じですが、意味はまったく違います。

    パターンA(バックスラッシュ1本)は、「バックスラッシュ+n」で改行を表すエスケープシーケンスになります。つまり文字クラスの中身は「カンマ」と「改行」の2つで、「カンマ、または改行」にマッチします。

    パターンB(バックスラッシュ2本)は、最初のバックスラッシュが次のバックスラッシュをエスケープして、「文字としてのバックスラッシュ1文字」という意味になります。続くnは、特別な意味を持たないただの文字「n」です。つまり中身は「カンマ」「バックスラッシュ」「文字n」の3つで、このどれか1文字にマッチします。改行にはマッチしません。

    この違いがわかりにくいのは、正規表現をJSONの設定ファイルや、プログラミング言語の文字列リテラルの中に書くときに、「もう一段階エスケープが必要になる」ケースがあるからだと思います。改行を表したいつもりでバックスラッシュを2本重ねてしまうと、意図せず「バックスラッシュか文字nにマッチする」というパターンになってしまう、という事故が起きやすいポイントでした。

    ちなみに、この記事を書いているときにも、noteに貼り付けたらバックスラッシュ2本が1本に変わってしまうという現象が起きました。

    ■ まとめ

    ・正規表現は、文字列のパターンを表現するための記法
    ・バリデーション・検索・置換の3つの用途でよく使われる
    ・角カッコの中の「バックスラッシュ1本+n」は改行、「バックスラッシュ2本+n」はバックスラッシュ or 文字nという、似ているが別物の意味になる
    ・多段階にエスケープされる環境(JSON内の正規表現など)では、意図した記号が正しく渡っているか特に注意が必要

    呪文のように見えていた正規表現も、記号を1つずつ分解していくと、意外と地に足のついたルールの積み重ねでした。

    最後まで読んでいただき、ありがとうございました!

    用語:

    正規表現(Regular Expression):文字列のパターンを表現するための記法。検索・置換・入力チェックなどに使われる。

    文字クラス:`[]`で囲んで、その中に入れた文字のいずれか1文字にマッチさせる書き方。

    エスケープシーケンス:`\n`(改行)や`\t`(タブ)のように、バックスラッシュと組み合わせて特別な意味を持たせる文字の表記。

    バリデーション:入力された値が、期待する形式・ルールに合っているかどうかを確認する処理。

    出典:

    あなたへのおすすめ