正規表現マッチングルール
基本パターンマッチング
すべては最も基本的なところから始まります。パターンは、正規表現の最も基本的な要素であり、文字列の特徴を記述する一連の文字です。パターンは単純で、普通の文字列から構成されることもありますが、非常に複雑で、特殊な文字を使って文字の範囲や繰り返し、または文脈を表すこともよくあります。例えば:
^once
このパターンには特殊な文字が含まれています^これは、そのパターンが次で始まる文字列のみにマッチすることを示しますonceで始まる文字列です。例えば、このパターンは文字列"once upon a time"にマッチし、"There once was a man from NewYork"にはマッチしません。ちょうど^記号が先頭を表すのと同じように、$記号は、指定されたパターンで終わる文字列にマッチするために使われます。
bucket$
このパターンは"Who kept all of this cash in a bucket"にマッチし、"buckets"にはマッチしません。文字^と$を同時に使用すると、完全一致(文字列とパターンが同じ)を意味します。例えば:
^bucket$
文字列"bucket"のみにマッチします。パターンが^と$を含まない場合、そのパターンを含む任意の文字列にマッチします。例えばパターン:
once
は文字列
There once was a man from NewYork Who kept all of his cash in a bucket.
にマッチします。
このパターン内の文字(o-n-c-e)はリテラル文字です。つまり、それらはその文字自体を表し、数字も同様です。他のもう少し複雑な文字、例えば句読点や空白文字(スペース、タブなど)は、エスケープシーケンスを使う必要があります。すべてのエスケープシーケンスはバックスラッシュ\で始まります。タブのエスケープシーケンスは\tです。したがって、文字列がタブで始まるかどうかを調べるには、次のパターンを使うことができます:
^\t
同様に、\nを表し、「改行」,\rキャリッジリターンを表します。その他の特殊記号は、前にバックスラッシュを付けることで表せます。例えば、バックスラッシュ自体は\\で表し、句点は. 用 \.で表します。という具合です。
文字クラス
INTERNET のプログラムでは、正規表現は通常ユーザーの入力を検証するために使われます。ユーザーが FORM を送信した後、入力された電話番号、住所、EMAIL アドレス、クレジットカード番号などが有効かどうかを判断するには、通常のリテラルベースの文字では不十分です。
そのため、より自由にパターンを記述する方法が必要です。それが文字クラスです。すべての母音文字を表す文字クラスを作るには、すべての母音文字を角かっこ内に入れます:
[AaEeIiOoUu]
このパターンは任意の母音文字にマッチしますが、1文字だけを表せます。ハイフンを使うと文字の範囲を表せます。例えば:
[a-z] // 匹配所有的小写字母 [A-Z] // 匹配所有的大写字母 [a-zA-Z] // 匹配所有的字母 [0-9] // 匹配所有的数字 [0-9\.\-] // 匹配所有的数字,句号和减号 [ \f\r\t\n] // 匹配所有的白字符
同様に、これらも1文字だけを表します。これは非常に重要です。1つの小文字と1つの数字からなる文字列(例:"z2"、"t6"、"g7")にマッチさせたいが、"ab2"、"r2d3"、"b52" にはマッチさせたくない場合は、次のパターンを使います:
^[a-z][0-9]$
たとえ[a-z]26文字の範囲を表しますが、ここでは最初の文字が小文字である文字列にのみマッチします。
前に^は文字列の先頭を表すと述べましたが、それにはもう1つの意味があります。角かっこのセット内で使用する場合、^それは「非」または「除外」を意味し、特定の文字を除外するためによく使われます。先ほどの例で、最初の文字が数字であってはならない場合を考えます:
^[^0-9][0-9]$
このパターンは "&5"、"g7"、"-2" にはマッチしますが、"12"、"66" にはマッチしません。以下は特定の文字を除外する例です:
[^a-z] //除了小写字母以外的所有字符
[^\\\/\^] //除了(\)(/)(^)之外的所有字符
[^\"\'] //除了双引号(")和单引号(')之外的所有字符
特殊文字.(点、句点)は正規表現において「改行」以外のすべての文字を表すために使われます。したがって、パターン^.5$は、任意の2文字で、数字の5で終わり、かつ他の「改行」以外の文字で始まる文字列にマッチします。パターン.は任意の文字列にマッチします改行文字(\n、\r)を除く。
PHP の正規表現には、いくつかの組み込みの汎用文字クラスがあります。一覧は次のとおりです:
| 文字クラス | 説明 |
|---|---|
| [[:alpha:]] | 任意の英字 |
| [[:digit:]] | 任意の数字 |
| [[:alnum:]] | 任意の英数字 |
| [[:space:]] | 任意の空白文字 |
| [[:upper:]] | 任意の大文字 |
| [[:lower:]] | 任意の小文字 |
| [[:punct:]] | 任意の句読点 |
| [[:xdigit:]] | 任意の16進数の数字、[0-9a-fA-F] に相当 |
繰り返しの指定
これまでに、1つの文字や数字にマッチさせる方法を学びましたが、多くの場合、単語や数字のグループにマッチさせる必要があります。単語は複数の文字で構成され、数字のグループは複数の数字で構成されます。文字または文字クラスの後に続く波かっこ({})は、その前の内容が繰り返し出現する回数を指定します。
| 文字クラス | 説明 |
|---|---|
| ^[a-zA-Z_]$ | すべての英字とアンダースコア |
| ^[[:alpha:]]{3}$ | すべての3文字の単語 |
| ^a$ | 文字 a |
| ^a{4}$ | aaaa |
| ^a{2,4}$ | aa、aaa、または aaaa |
| ^a{1,3}$ | a、aa、または aaa |
| ^a{2,}$ | 2つ以上の a を含む文字列 |
| ^a{2,} | 例:aardvark と aaab は該当しますが、apple は該当しません |
| a{2,} | 例:baad と aaa は該当しますが、Nantucket は該当しません |
| \t{2} | 2つのタブ文字 |
| .{2} | すべての2文字の文字列 |
これらの例は、波かっこの3つの異なる使い方を示しています。1つの数字{x} の意味は前の文字または文字クラスが x 回だけ出現することです;1つの数字とカンマ{x,}の意味は前の内容が x 回以上出現することです;カンマで区切られた2つの数字{x,y}は前の内容が少なくとも x 回、ただし y 回を超えて出現しないことです。パターンをより多くの単語や数字に拡張できます:
^[a-zA-Z0-9_]{1,}$ // 所有包含一个以上的字母、数字或下划线的字符串
^[1-9][0-9]{0,}$ // 所有的正整数
^\-{0,1}[0-9]{1,}$ // 所有的整数
^[-]?[0-9]+\.?[0-9]+$ // 所有的浮点数
最後の例は分かりにくいですね?こう見てください:省略可能なマイナス記号([-]?)で始まり(^)、1つ以上の数字が続き([0-9]+)、小数点(\.)に続いて1つ以上の数字([0-9]+)、そして後ろに他のものが何もない($)。次に、使えるもっと簡単な方法を紹介します。
特殊文字?と{0,1}は同じで、どちらも次を表します:前の内容が0個または1個 或 前の内容は省略可能。したがって、先ほどの例は次のように簡略化できます:
^\-?[0-9]{1,}\.?[0-9]{1,}$
特殊文字*と{0,}は同じで、どちらも次のことを表します前の内容が0個以上。最後に、文字+と{1,}は同じで、次のことを表します前の内容が1個以上。したがって、上記の4つの例は次のように書けます:
^[a-zA-Z0-9_]+$ // 所有包含一个以上的字母、数字或下划线的字符串 ^[1-9][0-9]*$ // 所有的正整数 ^\-?[0-9]+$ // 所有的整数 ^[-]?[0-9]+(\.[0-9]+)?$ // 所有的浮点数
もちろん、これによって正規表現の複雑さが技術的に減るわけではありませんが、読みやすくすることはできます。
その他の拡張