正規表現を解説:パターン、グループ、実例
正規表現はキーボードのノイズのように見えますが(\d{3}-\d{4})、テキストを記述するための小さな言語です。基本要素、エンジンが実際にマッチする仕組み、覚えておくべきパターンを学びます。
このガイドで学べること
- 正規表現を声に出して読み、何にマッチするかを言える
- 文字クラス、量指定子、アンカー、グループを自信を持って使える
- 貪欲マッチが問題を起こすタイミングと、遅延マッチによる修正方法を知る
- メール、日付、電話番号、ログ行のパターンを書ける
- プログラムをフリーズさせるパターン(壊滅的バックトラッキング)を認識できる
- 正規表現とは何か
- 基本要素
- エンジンが実際にマッチする仕組み:貪欲、遅延、バックトラッキング
- 覚えておくべきパターン
- フラグ:すべてを変えるスイッチ
- よくあるミス
- 試す:正規表現テスター
- よくある質問
正規表現とは何か
A 正規表現 (regex)は、文字列の集合を記述するパターンです。「1文字ずつチェックする」コードを書く代わりに、コンパクトな記述を書きます。たとえば \d{3}-\d{4} — そして、このテキストにその形に合うものが含まれているかを尋ねます。
正規表現はあらゆる場所にあります。エディタでの検索、フォームの検証、数千のファイルの名前変更、ログのパース、ページ内のマッチのハイライトなどです。それ自体はプログラミング言語ではありませんが、ほぼすべての言語が同じ中核構文を組み込んでいます。一度学べば、JavaScriptからPython、コマンドラインまでついてきます。
問題は読みやすさです。正規表現は悪名高い「書く専用」です。先月書いたパターンが、今日見ると意味不明な文字列に見えることもあります。解決策は正規表現を避けることではなく、小さな名前付きの部品からパターンを組み立て、テストすることです。まさにこのガイドと対応するテスターがそのためのものです。
基本要素
ほぼすべてのパターンは、次の部品から組み立てられます:
| 部品 | 意味 | 例 |
|---|---|---|
abc | リテラル文字 | は abc に完全に一致する |
. | 任意の1文字(改行を除く) | a.c は abc, a-c |
\d \w \s | 数字、単語文字、空白文字 | \d は 7 |
\D \W \S | その反対(数字以外など) | \D は a |
[abc] [a-z] [^0-9] | 文字クラス / 否定クラス | [aeiou] 1つの母音にマッチする |
* + ? {n} {n,m} | 量指定子:0回以上、1回以上、0回または1回、ちょうどn回、n回からm回 | \d{3} 3桁の数字にマッチする |
^ $ \b | アンカー:開始、終了、単語境界 | ^cat 先頭でのみマッチする |
( ) (?: ) (?<name> ) | キャプチャグループ、非キャプチャ、名前付きグループ | (\d+)-(\d+) 2つの数字をキャプチャする |
| | 選択(または) | cat|dog どちらかにマッチする |
\ | エスケープ:特殊文字をリテラルにする | \. 本物のドットにマッチする |
初心者のバグのほとんどは2つの要素が原因です。まず、 . は特別です。次の文字列の中のリテラルのドットにマッチさせるには、 example.com 次のように書かなければなりません example\.com。そうしないと、パターンは次のものにもマッチしてしまいます exampleXcom。2つ目は、文字クラス [.] は角括弧の中ではエスケープが不要です。ほとんどの文字はそこで特殊な意味を失います。
エンジンが実際にマッチする仕組み:貪欲、遅延、バックトラッキング
正規表現エンジンはパターンを左から右へ読み、1ステップずつマッチを試みます。次のような量指定子に当たると、 .* それはデフォルトで 貪欲 です。できるだけ多く取り込み、パターンの残りが合うまで1文字ずつ返していきます。その試行と失敗と返却のプロセスは バックトラッキングと呼ばれます.
<p>first</p> <p>second</p> Pattern: <p>.*</p> → matches the WHOLE line (greedy) Pattern: <p>.*?</p> → matches <p>first</p> only (lazy)
量指定子の後ろに ? を追加すると、それは 遅延になります。できるだけ少なくマッチします。貪欲は「末尾までのすべて」に適したデフォルトであり、遅延は「次の閉じタグ」に適したデフォルトです。選び方を間違えると、パターンが予想よりはるかに多く(または少なく)マッチする最も一般的な原因になります。
(a+)+$ という長いaの文字列に対しては、実質的に永遠にかかることがあります。エンジンは同じ文字を分割する方法を指数関数的に多く試します。ルールは次の通りです。重なる選択肢の上で量指定子をネストさせてはいけません。また、繰り返しグループの中では、具体的なパターン([^<]*)よりも曖昧なパターン(.*)を優先しましょう。覚えておくべきパターン
これらを出発点として覚えておきましょう。リリースする前に、それぞれを実際のデータでテストしてください:
# A simple email check (good enough for a form hint, not proof)
\b[\w.+-]+@[\w-]+\.[\w.]+\b
# Date: YYYY-MM-DD
^\d{4}-\d{2}-\d{2}$
# North American phone number, flexible separators
^\+?1?[-. ]?\(?\d{3}\)?[-. ]?\d{3}[-. ]?\d{4}$
# A word, with its position: capture the username from user@host
^(?<user>[\w.+-]+)@(?<host>[\w-]+\.[\w.]+)$
# Lines starting with ERROR in a log file (multiline flag m)
^ERROR: (.*)$メールパターンが意図的に不完全であることに注意してください。メールアドレスの実際の標準は非常に複雑で、「すべての有効なメール」に合う単一の正規表現は数百文字にもなり、それでも間違っています。プロのやり方としては、簡単なサニティチェックに加えて、実際に確認メールを送ることです。
フラグ:すべてを変えるスイッチ
| フラグ | 効果 |
|---|---|
g | グローバル — 最初の1つだけでなく、すべてのマッチを見つける |
i | 大文字小文字を区別しない — cat は CAT |
m | 複数行 — ^ そして $ が行の先頭・末尾にマッチする |
s | ドットオール — . も改行にマッチする |
u | Unicodeモード — 絵文字やアストラル文字の正しい処理 |
この m フラグが最も人を驚かせます。これがないと、 ^ERROR はテキスト全体の先頭にのみマッチし、ログファイルの各行の先頭にはマッチしません。パターンが1行では動くのにファイルでは動かない場合、欠けているのは m が最初に確認すべきことです。
よくあるミス
- 次のものを使うこと
.*次のものを意図している場合[^<]*や\S+. 曖昧なパターンはバックトラックして過剰にマッチします。具体的なもののほうが速くて安全です。 - リテラルテキストの中で
.,(,+をエスケープし忘れること。file.txtをパターンとして使うと、次のものにもマッチしますfileatxt. - 1つの巨大な正規表現でメールを検証すること。 簡単なチェックを使い、メールを送信して確認しましょう。
- 正規表現でHTMLやネストした構造をパースすること。 HTMLは正規言語ではありません。パーサーが正しいツールであり、正規表現は最初のネストしたタグで壊れます。
- 次のようなネストした量指定子
(a+)+や(.*)*. 。定番のフリーズです。正確なクラスに対する単一の量指定子で書き直しましょう。 - 次のものを忘れること
gフラグ。 多くのツールでは、すべてを求めない限り最初のマッチだけが返されます。
試す:正規表現テスター
このガイドのすべてのパターンはテストできます。正規表現テスターに貼り付け、下に自分のテキストを入力すると、マッチがライブでハイライトされ、各キャプチャグループが一覧表示されます。
さらに学ぶ
よくある質問
どの正規表現の方言を学ぶべきですか?
中核の構文はほぼどこでも同じです。JavaScript、Python、Java、Goは上の表の基本では一致しています。違いがあるのは周辺部分(先読み、名前付きグループの構文、Unicodeの扱い)です。基本を学び、周辺部分は各言語のドキュメントを確認しましょう。そして正規表現テスターでテストしてください。お使いのブラウザのJavaScriptエンジンを使っています。
キャプチャグループとは何ですか。なぜ使うのですか?
括弧には2つの役割があります。パターンの一部をグループ化することと、デフォルトではマッチした内容もキャプチャすることです。そのため再利用できます。たとえば、2026-11-21を$3/$2/$1のような置換で21/11/2026に変換できます。グループ化だけが必要でキャプチャが不要な場合は(?:…)を使いましょう。
正規表現が遅い、またはページがフリーズするのはなぜですか?
ほぼ常に壊滅的バックトラッキングが原因です。長い入力に対する、重なる選択肢の上のネストした量指定子です。パターンを単純化し、.*を否定クラスに置き換えるか、アンカーを追加して、エンジンがあらゆる分割を試すのではなく素早く失敗するようにしましょう。
* と + の違いは何ですか?
* は「0回以上」を意味します。その部分がまったくなくても構いません。+ は「1回以上」を意味します。少なくとも1回は現れなければなりません。\d* は空文字列にマッチしますが、\d+ はマッチしません。この1文字の違いが、マッチすべきでないときにマッチするパターンのよくある原因です。
正規表現でメールアドレスを正しく検証できますか?
実用的な正規表現はどれも完全な標準をカバーできません。引用文字列、コメント、特殊なドメインがあるため、途方もなく長くなります。短いパターンに確認メールを組み合わせるのがプロの答えです。正規表現はタイプミスを見つけるためのものであり、証明ではありません。