【ITニュース解説】Regular Expressions Without the Fear

正規表現とは、プログラミングにおいてテキストの中から特定のパターンを見つけ出したり、文字列を加工したりするための小さなパターン言語である。多くの開発者は正規表現を苦手と感じることが多いが、それは正規表現がまるで魔法の呪文のように見えてしまうためかもしれない。しかし、その本質は非常にシンプルで、いくつかの基本的な概念を学ぶだけで、その強力な力を自在に操れるようになる。正規表現はコードそのものではなく、文字列が持つべき「形」を記述するものだと理解すると良い。例えば、/cat/ という正規表現は、「cat」という文字列がどこかに含まれるか、という形を記述している。実際に、test() メソッドで文字列「the cat sat」を検査すると「cat」が含まれるため true を返し、「concatenate」の場合も「cat」が含まれるため true を返す。これは、デフォルトでは正規表現が文字列内のどこかにパターンがあればマッチするためである。

もし文字列全体がパターンに完全に一致することを望むのであれば、アンカーという特殊な記号を使う必要がある。正規表現において、^ は文字列の開始を意味し、$ は文字列の終了を意味する。例えば、/^cat$/ という正規表現は、文字列が先頭から末尾まで完全に「cat」である場合にのみマッチする。このため、"concatenate" にはマッチせず false となるが、"cat" にはマッチし true を返す。このようにアンカーを使うことで、マッチングの範囲を厳密に制御できる。^ と $ は、m フラグ（マルチラインフラグ）と組み合わせると、文字列全体ではなく各行の開始と終了にマッチするようになる。

特定の種類の文字にマッチさせたい場合は、文字クラスという機能を利用する。文字クラスは [...] のように角括弧で囲んで表現し、その中に列挙された文字のいずれか一つにマッチする。例えば、/[aeiou]/ は母音のいずれか一つにマッチする。"sky" や "try" のような文字列には母音がないため false となるが、"hello" には母音が含まれるため true となる。文字クラスの中では、[a-z] のようにハイフンを使って文字の範囲を指定することも可能で、アルファベットの小文字、数字 ([0-9])、あるいは大文字小文字のアルファベットと数字とアンダースコア ([A-Za-z0-9_]) といった範囲を指定できる。さらに便利なショートハンドも用意されており、\d は数字に、\w は単語を構成する文字（アルファベット、数字、アンダースコア）に、\s は空白文字にそれぞれマッチする。これらの大文字バージョン (\D, \W, \S) は、それぞれ数字以外、単語構成文字以外、空白文字以外を意味し、逆の意味で機能する。

文字クラスやその他のパターン要素が何回繰り返されるかを指定するのが量指定子である。主な量指定子には以下のようなものがある。* は直前の要素が0回以上、+ は1回以上、? は0回または1回繰り返される場合にマッチする。また、{n} は直前の要素が正確に n 回、{n,m} は n 回以上 m 回以下繰り返される場合にマッチする。これらの量指定子を組み合わせることで、より複雑なパターンを表現できる。例えば、日付のような形式 2024-03-15 をマッチさせるには、\d{4}-\d{2}-\d{2} と記述する。これは「数字が4回、ハイフン、数字が2回、ハイフン、数字が2回」と左から右に読んでいくと、正規表現が何を意図しているか理解しやすい。正規表現は、このように読んでいくことで、その仕組みが明確になる場合が多い。

正規表現における括弧 () には、二つの重要な機能がある。一つはパターンの一部をグループ化すること、もう一つはそのグループにマッチした部分を「キャプチャ」することである。キャプチャされた部分は、マッチ結果の配列などから個別にアクセスできるようになるため、文字列から特定の情報を抽出する際に非常に役立つ。例えば、日付の正規表現 (\d{4})-(\d{2})-(\d{2}) を使って "2024-03-15" という文字列にマッチさせると、全体のマッチ結果である "2024-03-15" に加えて、各括弧の中身である "2024", "03", "15" がそれぞれ別の要素として取得される。これは年、月、日を個別に利用したい場合に非常に便利である。もしパターンをグループ化したいだけで、その中身をキャプチャする必要がない場合は、(?...) のように ?: を加えることで、キャプチャを無効化できる。これにより、マッチ結果の配列が不要な情報で汚染されるのを防ぎ、正規表現の意図をより明確にできる。

正規表現でよくある問題の一つに、「意図したよりも多くの部分にマッチしてしまう」という現象がある。これは量指定子 * や + がデフォルトで「貪欲（greedy）」に振る舞うためである。貪欲マッチは、可能な限り多くの文字を消費してから、必要に応じて後戻りしてマッチを試みる。例えば、"<a<b>" という文字列に対して <.*> という正規表現を適用すると、<a<b> 全体にマッチしてしまう。これは、.* ができるだけ多くの文字（この場合は a<b>）を消費しようとするため、最後の > までが一つのマッチとして扱われるためである。 これを防ぎ、できるだけ短い部分にマッチさせたい場合は、量指定子の直後に ? を追加して「非貪欲（lazy）」マッチにすることで解決できる。*? や +? のように記述すると、できるだけ少ない文字でマッチを試みる。上記の例で <.*?> を使用すると、最初の <a> にマッチし、さらに検索を続ければ <b> にもそれぞれ独立してマッチする。HTMLタグや引用符など、区切り文字で囲まれた部分を解析する際には、この非貪欲マッチが通常望ましい挙動となる。

正規表現の挙動を調整するためのオプションとして、「フラグ」と呼ばれるものがある。これらは正規表現のパターンの後に指定する。よく使われるフラグには以下のものがある。g (global) は文字列全体からすべてのマッチを見つける。i (case insensitive) は大文字と小文字を区別せずマッチさせる。m (multiline) は ^ と $ が文字列全体ではなく、各行の開始と終了にマッチするようになる。s (dotall) は通常改行文字にマッチしない . が、改行文字にもマッチするようになる。u (unicode) はUnicodeの正しいコードポイント処理を有効にする。これらのフラグを組み合わせることで、多様なマッチング要件に対応できる。例えば、"Cat cat CAT" という文字列から大文字小文字を区別せずにすべての "cat" を見つけたい場合は、/cat/gi のように g と i の両方のフラグを使用する。

実際のアプリケーションで正規表現をどのように使うか見てみよう。例えば、"host=example.com port=8080 debug=true" のような設定文字列からキーと値のペアを抽出したいとする。 この場合、(\w+)=(\S+) という正規表現が有効である。\w+ は単語構成文字が1回以上続く部分にマッチし、これを最初のキャプチャグループ（キー）とする。= はリテラルの等号にマッチする。\S+ は空白文字以外が1回以上続く部分にマッチし、これを二番目のキャプチャグループ（値）とする。これに g フラグ（グローバルマッチ）を付けて matchAll() メソッドを使用すると、文字列内のすべてのキーと値のペアを効率的に抽出できる。matchAll() はイテレータを返すため、[...line.matchAll(re)] のように展開し、結果を map メソッドで処理することで、{ host: "example.com", port: "8080", debug: "true" } のようなオブジェクトに変換できる。これは現代のJavaScriptで複数のマッチを処理するクリーンな方法である。

正規表現への苦手意識を克服するには、二つの習慣を身につけることが非常に役立つ。第一に、正規表現は段階的に構築すること。いきなり60文字もの複雑な正規表現を一度に書こうとせず、まずは最もシンプルなパターンで一つのケースにマッチさせることから始める。それが正しく機能することを確認したら、次に必要な要素を一つずつ追加していく。この繰り返しで、パターンが意図通りに動作するかを常にテストしながら進める。第二に、常にスクラッチパッドを開いておくこと。regex101.com のようなオンラインツールは、正規表現の各トークンが何を意味するかを詳細に解説し、キャプチャグループの表示、さらには「破滅的なバックトラッキング」（性能問題を引き起こす可能性のあるパターン）について警告してくれるため、学習とデバッグにおいて非常に有用である。また、MDN (Mozilla Developer Network) の正規表現ガイドは、構文の詳細を確認するための優れたリファレンスとして常に手元に置いておくと良いだろう。

正規表現は強力なツールであるが、万能ではない。トークンやシンプルなテキストの形を扱うのには優れているが、HTML、JSON、あるいは括弧の入れ子のようなネスト構造を解析するのには向いていない。もしパターンが階層の深さを数える必要がある場合、それは正規表現の範疇を超えていると判断すべきだ。そのような場合は、正規表現を諦め、専用のパーサー（構文解析器）を使うべきである。これは決してスキルの不足ではなく、それぞれのツールが最も得意とする仕事を見極め、適切なツールを選択するという、より実践的なアプローチである。

正規表現に対する恐れは、それが神秘的な呪文のように扱われることから生じることが多い。しかし、実際には正規表現は数個の基本的な概念からなる、学習可能な小さなパターン言語に過ぎない。これらの概念を一度しっかりと学べば、残りは実践と経験によって自然と身についていくものだ。正規表現の理解を深めることは、システムエンジニアとしてテキスト処理のスキルを向上させる上で非常に価値がある。段階的な学習と適切なツールの活用を通じて、正規表現を味方につけてほしい。