正規表現 - おっさんの備忘録

正規表現とは

正規表現（Regular Expression）とは、”文字の組み合わせ”を表現する記法の1つで、正規表現が多く用いられる場面は文字列に対してパターン（正規表現）マッチングである。
例えば、毎年リリースされるiPhoneシリーズについて考える。一般的にiPhoneシリーズは「iPhone バージョン」で表されるが「iPhone 4S」や「iPhone X」など規則性が崩れることがある。ここで、「iPhone NN Pro」（Nは整数）をデータから探すことを考える。このとき、データ入力者によっては”i”と”Phone”の後に半角スペースや全角スペースを入れる場合や”phone”の様に入力する場合もあり表記揺れが発生するかもしれない。このとき有用になるのが正規表現を用いたパターンマッチングである。

iPhone NN Proを探す

はじめに正規表現を用いてiPhone NN Proのデータを探すためには、表記揺れの許容範囲をする定義する必要がある。今回は、以下のように定義する。

“i”と”Phone”の間には「0または1」の「半角スペースまたは全角スペース」を許容する
「“Phone”または”phone”」を許容する
“Phone”と”NN”の間には「0または1」の「半角スペースまたは全角スペース」を許容する
“Pro Max”シリーズは含まない

メタ文字

正規表現におけるメタ文字とは、特殊な意味や機能をもつ文字のことで、「0または1」等を表現することが出来ます。以下に代表的なメタ文字を記載する。

量化

量化子を置くことによって、直前の表現の出現回数を指定することが出来る。

メタ文字	意味
?	直前の表現が0or1
*	直前の表現が0以上
+	直前の表現が1以上
{n,m}	直前の表現がn以上、m以下

選言

“|”は選言と解釈され、”|”の直前の表現と直後の表現どちらかをパターンとして指定することができる。

グループ分け

“()”はサブパターンと解釈され、括弧で囲まれたパターンをグループとして指定することが出来る。

位置の指定

位置を表すメタ文字を置くことによって、パターンのマッチングを開始する位置を指定することが出来る。

メタ文字	意味
^	行頭の位置
$	行末の位置

定義済みの正規表現

“エスケープシーケンス+文字”で定義済みの正規表現を指定することが出来る。

メタ文字	意味
\t	タブ
\r	改行（Carriage Return）
\n	改行（Line Feed）
\d	すべての数字
\D	すべての数字以外の文字
\s	垂直タブ以外のすべての空白文字
\S	すべての非空白文字
\w	アルファベット、アンダーバー、数字
\W	アルファベット、アンダーバー、数字

任意の1文字にマッチ

“.”は、任意の1文字にマッチするように指定できる

指定した文字のどれか

“[]”は文字クラスと呼ばれ、括弧で囲まれたもののいずれかの一文字をパターンとして指定することが出来る。例えば、[a-zA-Z]はアルファベットのいずれか一文字をパターンとして指定している。

先読みと後読み

イメージ的に位置の指定に近い。先読みや後読みと日本語だと少し混乱するが、英語のlook ahead（先読み）とlook behind（後読み）と考えると分かり易い。以下の4パターン存在する。

肯定の先読み

(?=pattern)で指定し、肯定の先読みの前(ahead)のパターンがマッチした後にpatternがマッチすることを調べる。

否定の先読み

(?!pattern)で指定し、否定の先読みの前(ahead)のパターンがマッチした後にpatternがマッチしないことを調べる。

肯定の後読み

(?<=pattern)で指定し、肯定の後読みの後(behind)のパターンがマッチした後にpatternがマッチすることを調べる。

否定の後読み

（?<!pattern）で指定し、否定の後読みの後(behind)のパターンがマッチした後にpatternがマッチすることを調べる。

iPhone NN Proの正規表現を定義する

“i”と”Phone”の間には「0または1」の「半角スペースまたは全角スペース」を許容する

「0または1」は出現回数なので、”?”で表現できる。「半角スペースまたは全角スペース」は( |　)で表現できる。このため、ここでの正規表現は”i( |　)?Phone”になる。

「“Phone”または”phone”」を許容する

単純に考えると先ほどと同様に(Phone|phone)になりそうだが、”hone”は共通なので、(P|p)honeで表現できる。このため、前の正規表現と合わせると”i( |　)?(P|p)hone”になる。

“Phone”と”NN”の間には「0または1」の「半角スペースまたは全角スペース」を許容する。

ここで新しく必要となるのが、”NN”の2桁の数字。数字が2回出現するので、”[\d]{2,2}”となる。ここまでのを合わせると”i( |　)?(P|p)hone( |　)?[\d]{2,2}”となる。

“Pro Max”シリーズは含まない

“Pro Max”を考えるとProがマッチした後に、Maxがマッチしなければ良い。このため、否定の先読みを使用すればよい。つまり、”Pro( |　)(?!Max)”で表現できる。

以上より、”iPhone NN Pro”の正規表現は”i( |　)?(P|p)hone( |　)?[\d]{2,2}( |　)?Pro( |　)?(?!Max)”となる。

C#コード例


    class IPhoneSeries
    {
        private static readonly Regex NNPRo = new Regex("i( |　)?(P|p)hone( |　)?[\\d]{2,2}( |　)?Pro( |　)?(?!Max)", RegexOptions.Compiled);

        internal static bool IsNNPro(string iphone)
        {
            var match = NNPRo.Match(iphone);
            return match.Length == iphone.Length;
        }
    }