正規表現とは

正規表現せいきひょうげんとは特定のパターンに一致する文字列を一つのパターンで表現する方法のであり、いくつかの文字列を一つの文字列で表現することができます。

通常文章の中から文字列を検索するとき指定した文字列に完全一致する文字列しか抽出できませんが、正規表現を使うと文字列の中から特定のパターンに一致する文字列を抽出することができるようになります。

例えば文章の中からWindows 7、Windows 8、Windows 10、Windows 11を検索したい場合、通常の検索であれば4回に分けて検索しなければなりませんが、正規表現を使うとWindows (7|8|10|11)の文字列だけですべて検索するといった曖昧検索ができるようになります。

このようにすべてのパターンを書き出せるくらいの検索であれば正規表現は必要ないかもしれませんが、文字列の中から郵便番号を抽出したいとかなるとすべてのパターン（000-0000、000-0001、000-0002、…、999-9999）を検索するのは大変です。

郵便番号は数字3桁-数字4桁で表され、これを正規表現を使って表すと\d{3}-\d{4}と書くことができます。\dは正規表現の中で特別な意味を持つメタ文字と呼ばれるもので、\d{n}でn桁の数字を表現することが出きます。この検索では数字3桁-数字4桁のパターンに一致しますが、厳密ではなく存在しない郵便番号が含まれることには注意してください。

特殊文字

メタ文字

メタ文字とは正規表現において特別な意味を持つ文字のことです。

メタ文字には角括弧外を除きパターン中のどこでも使用できる文字と、角括弧内でのみ使用できる2種類があります。

以下は角括弧外で使えるメタ文字です。

パターン中の角括弧で囲まれた部分を文字クラスといい、文字クラスで使えるメタ文字は以下のとおりです。

これらの文字を通常の文字として使う場合はメタ文字の直前に\（バックスラッシュ）を付けてエスケープする必要があります。

文字クラス

角括弧（[　]）で囲まれた一連の文字のいずれかにマッチするパターンを定義します。

角括弧内にはUnicode文字を指定することができます。Unicode文字列の対応表はhttps://ja.wikipedia.org/wiki/Unicode%E4%B8%80%E8%A6%A7_0000-0FFFを参照。

\d,\D,\w,\W,\s,\Sは文字の集合を表すエスケープシーケンスで、文字クラスエスケープと呼びます。文字クラスエスケープは事前に定義された文字の集合を表していて、文字クラスで書き換えることも可能です。

論理和で特に注意が必要なのは右側のパターンに左側のパターンが含まれるときです。例えばパターンにapple|apples、検索文字列にapplesを指定したとき、論理和は左側から一致を確認していくのでapplesではなくappleにマッチしてしまいます。

apple|apples

対策としては論理和の左側から文字数の多い順に並べる、もしくは\bで囲むなどがあります。

apples|apple

\b(apple|apples)\b

アサーション

アサーションは特定の条件を満たす位置にマッチするためのパターンです。

先読み・後読み

先読み・後読みで記述した場合、文字列ではなく位置にマッチします。

例えば都道府県名の一覧から京都を検索した場合、東"京都"にもマッチしてしまいますが、以下のように後読みを使えば東京都を除いた京都のみにマッチさせることができます。

(?<!東)京都

以下"pattern"は任意の文字列または正規表現。

肯定先読み

東京都(?=北区)

北区が後に続く東京都にマッチします。

否定先読み

東京都(?!北区)

北区が続かない東京都にマッチします。

肯定後読み

(?<=東京都)北区

東京都に続く北区にマッチします。

否定後読み

(?<!東京都)北区

東京都に続かない北区にマッチします。

数量詞

特定のパターンがどれだけ繰り返されるかを指定するために使用します。

?は直前の文字が0回、もしくは1回の出現に一致します。例えば色の英語であるcolor・colourは以下のように表すことができます。uはあってもなくても良いのでu?と記述することでcolor・colourのどちらにもマッチします。

colou?r

これはcolor|colourと記述したときと同じ結果を返します。

グループと後方参照

パターンを括弧で囲むことでグループ化したり後方参照することができるようになります。

例えば(\d{4})-(\d{2})-(\d{2})という正規表現で年-月-日の形式の日付にマッチさせた場合、\1は年、\2は月、\3は日の値が代入され、後方参照を行うことができます。

非キャプチャグループはキャプチャを行わずにグループ化のみ行いたい場合に使います。例えば2022年か2024年にマッチさせたい場合、括弧を使い(202(2|4))と書くことが出来ますが、年・月・日3つのキャプチャグループを作成したいのに、必要のない2、4の箇所もキャプチャグループとして作成されてしまいます。結果を見ても2024、07、29の他に4がキャプチャされているのがわかります。

DIM Matches = reExecute("2024-07-29", "(202(2|4))-(\d{2})-(\d{2})")

WITH Matches.Item(0)
	FOR i = 0 TO .SubMatches.Count - 1
		PRINT i + "<#TAB>" + .SubMatches(i)
	NEXT
ENDWITH

結果

プレーンテキスト

0	2024
1	4
2	07
3	29

Copy0 2024 1 4 2 07 3 29

必要のないキャプチャグループを作成するときは(?:x)という形式で記述することで、非キャプチャグループとすることができます。(202(2|4))の箇所を(202(?:2|4))を書き換えることで2022、2024の部分はキャプチャされますが、2、4の部分はキャプチャを行わずにグルーピングのみを行うことが出来るようになります。

結果を見ても年・月・日の部分のみ抽出することができているのがわかると思います。

DIM Matches = reExecute("2024-07-29", "(202(?:2|4))-(\d{2})-(\d{2})")

WITH Matches.Item(0)
	FOR i = 0 TO .SubMatches.Count - 1
		PRINT i + "<#TAB>" + .SubMatches(i)
	NEXT
ENDWITH

結果

プレーンテキスト

0	2024
1	07
2	29

Copy0 2024 1 07 2 29

制御文字

ASCII

Unicode文字プロパティ

Unicode文字プロパティとはUnicodeにおいて各文字に割り当てられた属性のことで、文字の分類や特性を示すために使用されます。

正規表現で数字やアルファベットにマッチさせたい場合、数字やアルファベットは数が少なくて全体を把握しやすいので[0-9]、[A-Za-z]のように記述しても問題ありませんが、日本語のひらがなや漢字などは複雑な範囲指定が必要のため文字クラスで指定するのは適していません。例えば、ひらがなにマッチさせたいときに文字クラスで[あ-ん]と記述した場合あより前の文字コードにあるぁにはマッチしません。正しくひらがなにマッチさせるには[ぁ-ん]と記述する必要があります。またカタカナにマッチさせる場合は[ァ-ヴ]という文字クラスになります。

数字は0から9、アルファベットはAからZと連続した文字列なのでわかりやすいですが、ひらがなやカタカナ・漢字を文字クラスで書くのは適していません。

Unicode文字プロパティではこのようによく使われる範囲や同じ言語、文字コードのブロック毎に名前を定義していて、文字クラスを使わずに範囲を指定することができます。例えばひらがなは\p{Hiragana}、カタカナは\p{Katakana}、漢字は\p{Han}と書き換えることができ、文字クラスを使うよりも見た目で何を表しているかもわかりやすく指定範囲のミスも減らすことができます。

指定した文字の一般カテゴリはAnalyse string toolで調べることができます。

一般カテゴリ（General Category）

Unicode文字を大まかに分類するためのプロパティ。すべての文字はいずれかのプロパティを持ち、プロパティは1字または2字で表現されます。1文字目は大分類、2文字目は小分類を表しています。一般的なカテゴリ（文字、数字、記号など）

スクリプト（Script）

文字が属する書記体系（ラテン文字、キリル文字、漢字など）

ブロック（Block）

文字が属するUnicodeブロック（基本ラテン文字、ひらがな、漢字など）

Unicode文字プロパティを使った正規表現は以下のように記述します。\pはUnicodePropertyに含まれている文字列、\Pは含まれていない文字列にマッチします。

\p{UnicodeProperty}
\P{UnicodeProperty}

指定したUnicode文字プロパティにマッチさせるにはUnicodePropertyにGeneral CategoryもしくはScriptを指定します。

\p{カテゴリ名}
\p{Isカテゴリ名}
\p{General_Category=カテゴリ名}

\p{Isスクリプト名}
\p{Script=スクリプト名}

\p{Inブロック名}
\p{Block=ブロック名}

一般カテゴリ

一般カテゴリとは文字を大まかに分類するためのプロパティです。すべての文字はいずれかのプロパティを持っていて、プロパティは大分類を表す単語（Letter、Mark、Number、Punctuation、Symbol、Separator、Other）もしくは略した1字で指定するか、小分類と組み合わせる場合は2字で指定します。

以下の表に示すのが一般カテゴリで指定できるプロパティで、大文字1字で書かれたものは大分類の略語で、括弧内が大分類を表す単語です。例えばアルファベットを表すプロパティはLetter、Lのどちらでも指定可能です。

アルファベット2字で書かれたプロパティは大分類と小分類を組み合わせたもので、文字をより細かく絞ることができます。例えばプロパティNdは数字を表すプロパティNの大分類よりも10進数字に限定することができます。

スクリプト

スクリプトは文字が属する書記体系によって分類します。この中でよく使われるものはひらがな（Hiragana）、カタカナ（Katakana）、漢字（Han）、ラテン文字（Latin）です。括弧内はスクリプト名を表しています。

ブロック

Unicodeにおけるブロックとは連続するコードポイントの範囲をグループ化したものです。ブロックには一意の名前が付いていて重複することはありません。各ブロックはU+hhh0からU+hhhFの符号位置を持っています。

\p{UnicodeProperty}

一致リストの取得

指定した範囲の整数

以下は、0〜255の範囲にある整数にマッチする正規表現です。

DIM Matches = reExecute(str, "\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b")

\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b

0〜99の数値

\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b

100〜199の数値

\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b

200〜249の数値

\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b

250〜255の数値

\b([1-9]?[0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\b

0〜99、100〜199、200〜249、または250〜255の数値。

偶数

DIM Matches = reExecute(str, "\b\d*[02468]\b")

奇数

DIM Matches = reExecute(str, "\b\d*[13579]\b")

URL

DIM Matches = reExecute(str, "https?://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?")

メールアドレス

受信したメールの本文から抽出するときなどに。

DIM Matches = reExecute(str, "[a-zA-Z0-9.!#$%&'*+/=?^_`{|}~-]+@[a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)*")

郵便番号

DIM Matches = reExecute(str, "\d{3}-\d{4}")

\d{3}-\d{4}

3桁の数字

\d{3}-\d{4}

4桁の数字

日付（Y/M/D形式）

日付の正規表現です。あくまで月が1～12、日が1～31の範囲であることだけを確認しているので、06/31など存在しない日付にもマッチします。

DIM Matches = reExecute(str, "[0-9]{,4}/(0?[1-9]|1[0-2])/(0?[1-9]|[12][0-9]|3[01])")

[0-9]{,4}/(0?[1-9]|1[0-2])/(0?[1-9]|[12][0-9]|3[01])

4桁以下の数字

[0-9]{,4}/(0?[1-9]|1[0-2])/(0?[1-9]|[12][0-9]|3[01])

1~12の数字。先頭の0埋めはあってもなくても良い。

[0-9]{,4}/(0?[1-9]|1[0-2])/(0?[1-9]|[12][0-9]|3[01])

1～31の数字。先頭の0埋めはあってもなくても良い。

日付（YMD形式）

厳密に日付をチェックするには以下を使います。

DIM Matches = reExecute(str, "(?!([02468][1235679]|[13579][01345789])000229)(([0-9]{4}(01|03|05|07|08|10|12)(0[1-9]|[12][0-9]|3[01]))|([0-9]{4}(04|06|09|11)(0[1-9]|[12][0-9]|30))|([0-9]{4}02(0[1-9]|1[0-9]|2[0-8]))|([0-9]{2}([02468][048]|[13579][26])0229))")

携帯電話番号（070、080、090から始まる11桁の番号）

070-0・080-0・090-0から始まる番号は存在しないので除外。

DIM Matches = reExecute(str, "0[789]0-[1-9]\d{3}-\d{4}")

フリーダイヤル（0120-000-000、0800-000-0000）

DIM Matches = reExecute(str, "0(?:120-\d{3}-\d{2}|800-\d{3}-\d{3})0")

IP電話（050から始まる11桁の番号）

DIM Matches = reExecute(str, "050-\d{4}-\d{4}")

IPアドレス

IPアドレスは「xxx.xxx.xxx.xxx」形式で表されます。x=0～255の値。

DIM Matches = reExecute(str, "(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])")

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

0～99の数値

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

100～199の数値

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

200〜249の数値

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

250〜255の数値

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

250〜255 or 200〜249 or 100〜199 or 0〜99なので0〜255

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

「0〜255.」を3回繰り返し。

(([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([1-9]?[0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])

0〜255の数値

英数字

DIM Matches = reExecute(str, "[A-Za-z0-9]+")

参考文献

1. 文字クラス - JavaScript | MDN
2. PHP: メタ文字 - Manual
3. JavaScriptで扱えるUnicodeプロパティ一覧 #正規表現 - Qiita
4. Unicodeのコードポイントやプロパティの一覧、詳細情報などを確認 | note.nkmk.me
5. Unicode Utilities: Character Property Index
6. PHP: Unicode 文字プロパティ - Manual
7. 正規表現 記法 まとめ - galife
8. Unicode Character Categories
9. http://ftp.unicode.org/Public/UNIDATA/Blocks.txt
10. Mastering Regular Expressions - Jeffrey E. F. Friedl - Google ブﾂッﾂクﾂス