【ITニュース解説】A Developer’s Guide to PostgreSQL REGEXP_MATCH (with Snippets)

PostgreSQLのREGEXP_MATCH関数は、データベース内に保存されているテキストデータの中から、特定のパターンに合致する部分を効率的に抽出するための強力なツールである。システムエンジニアを目指す初心者にとって、データベースのデータから必要な情報を引き出すスキルは非常に重要であり、この関数はその一助となるだろう。

通常、データベースで特定の文字列を検索する際にはLIKE演算子を用いることが多い。しかし、LIKEでは「%（任意の文字列）」「_（任意の一文字）」といったシンプルなワイルドカードしか使えず、複雑なパターンを持つテキスト、例えば電話番号やメールアドレス、URLのような構造を持つ情報を正確に抽出するのは難しい。このような場面でREGEXP_MATCHが真価を発揮する。これは正規表現と呼ばれる、より高度なパターン記述方法をデータベースのクエリ内で直接利用できるようにする機能なのだ。

REGEXP_MATCH関数の基本的な使い方は次のようになる。 regexp_match(対象文字列, 正規表現パターン [, フラグ]) ここで対象文字列は検索したい元のテキスト、正規表現パターンは抽出したい情報のパターンを記述する特別な文字列、そしてフラグは検索の挙動を変更するオプションである。例えば、'i'というフラグを指定すると、大文字と小文字を区別せずに検索を行うことができる。

この関数は、パターンに合致する部分が見つかった場合、その合致した文字列をtext[]という形式で返す。text[]とは、複数のテキストをまとめて保持できる「テキストの配列」を意味する。もしパターンに合致する部分が見つからなかった場合はNULLが返される。関数が返すtext[]のうち、[1]という形で指定することで、正規表現全体に合致した文字列そのものを取り出すことができる。

具体的な例を見てみよう。 あるテキストから電話番号を抽出したいとする。 SELECT regexp_match('Office: 212-555-0199 ext.7', '[0-9]{3}[-.●]?[0-9]{3}[-.●]?[0-9]{4}')[1] AS phone; このクエリでは、'212-555-0199'という部分が抽出される。正規表現の[0-9]{3}は「0から9の数字が3回連続する」ことを意味し、[-.●]?は「ハイフン、ドット、または丸点が0回または1回出現する」ことを意味している。このように、数字の塊と区切り文字のパターンを指定することで、テキストの中から電話番号らしき文字列を見つけ出しているのだ。

メールアドレスを抽出する例も見てみよう。 SELECT regexp_match('email: ops@company.dev', '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}')[1] AS email; この正規表現は、メールアドレスによく見られる「文字や数字、記号の組み合わせ @ ドメイン名 . トップレベルドメイン」というパターンを記述しており、'ops@company.dev'が抽出される。

URLを抽出する例では、フラグの使い方も確認できる。 SELECT regexp_match('Docs → HTTPS://dev.to', 'http[s]?:\\/\\/[A-Za-z0-9.-]+\\.[A-Za-z]{2,}', 'i')[1] AS url; ここでは、'i'フラグが指定されているため、'HTTPS://dev.to'のように大文字と小文字が混在していても、パターンが合致すれば抽出される。もしフラグがなければ、'https'という小文字のパターンしか認識できず、'HTTPS'のような大文字のURLは抽出できなかっただろう。

REGEXP_MATCHは最初のマッチだけを返す関数だが、もし複数のマッチを一度に抽出したい場合は、REGEXP_MATCHES関数を利用する。例えば、複数の電話番号が記述されたテキストから、それら全てを抽出したい場合にREGEXP_MATCHESに'g'フラグ（全てのマッチを探すという意味）を指定することで、複数の結果を行として受け取ることができる。また、もし単にマッチした文字列そのものが欲しいだけで、text[]形式で受け取る必要がない場合は、PostgreSQL 15以降で導入されたREGEXP_SUBSTR関数がよりシンプルで直接的な解決策となる。

正規表現を用いる際にはいくつかの注意点がある。一つはパフォーマンスだ。正規表現を使った検索は、通常、データベースがデータを効率的に探すために使う「B-Treeインデックス」という仕組みを直接利用できない。そのため、非常に大量のデータに対して複雑な正規表現を適用すると、処理に時間がかかる場合がある。重要なクエリでは、実際にどの程度の時間がかかるか事前にテスト（ベンチマーク）を行うことが推奨される。また、頻繁に使う正規表現パターンは、データベースの「ビュー」や「関数」として定義しておくことで、記述の重複を避け、再利用性を高めることができる。

REGEXP_MATCHとよく比較される関数にREGEXP_LIKEがあるが、これらは目的が異なる。REGEXP_LIKEは、指定したパターンに「合致するか、しないか」という真偽値（True/False）を返すだけで、合致した内容そのものを抽出する機能はない。一方、REGEXP_MATCHは合致した文字列そのものを抽出する機能を持つ。

また、REGEXP_MATCH関数で「名前付きキャプチャグループ」という、正規表現パターンの一部に名前を付けて抽出する機能は、PostgreSQLのPOSIX正規表現ではサポートされていない。そのため、抽出したい部分が複数ある場合は、パターン内の順番で区別して取り出す必要がある。他のデータベースシステムにコードを移植する際には、正規表現関数の挙動や利用できるフラグが異なる可能性があるため、互換性を確認することも重要だ。

正規表現は非常に強力で柔軟なツールだが、常に最良の選択肢とは限らない。もし、IPアドレス（inet型）やUUID（uuid型）、JSONデータなど、特定の構造を持つデータであれば、PostgreSQLが提供する専用のデータ型や演算子を使った方が、より高速で安全、そして管理しやすい場合が多い。正規表現は柔軟性が高い一方で、複雑なパターンになると読み解くのが難しくなったり、意図しないマッチをしてしまうリスクも増えるため、シンプルな解決策がある場合はそちらを優先すべきである。

まとめると、REGEXP_MATCH関数は、アプリケーション側で複雑なテキスト解析ロジックを実装する代わりに、データベース内で直接パターンマッチングとデータ抽出を行うための有効な手段である。これにより、データの抽出（Extract）、変換（Transform）、ロード（Load）といったETLプロセスや、データの検証、テキストデータを含むクエリの作成がよりシンプルになる。REGEXP_MATCHESやREGEXP_SUBSTRといった関連関数と適切に使い分けることで、多様なテキスト処理のニーズに対応し、データベースクエリの効率と可読性を向上させることができるだろう。