クラスライブラリ応用

正規表現

正規表現とは?

正規表現 (regular expression) とは、文字列の集合(パターン)を表す汎用的な記法です。 例えば、文字列「book または cook」のことを正規表現で [bc]ook と書くことができます。 [bc] は 「b か c かどちらか 1 文字」という意味です。

正規表現などで表される文字列パターンに合致する文字列を探すことを、 パターンマッチと言います。 Java、Perl、Ruby、Python などの言語は正規表現を扱うことができるため、 パターンマッチを行うプログラムを容易に作成することができます。

正規表現は Java が生まれる前からあるものです。 興味のある人は、UNIX のコマンド grep、sed、awk を調べてみましょう。

正規表現の記法

記法については、正規表現のパターンを表すクラス java.util.regex.Pattern の説明文を参照してください。 ここではよく使う記法について例を挙げます。

文字

正規表現の例意味マッチする例
通常の文字そのままの文字「abc」なら「abc」
.任意の1文字「a」でも「b」でも何でも
\n改行
\tタブ
\. \( \) \[ \] \^ \$ \\記号ではなく文字「.」「(」「)」「[」「]」「^」「$」「\」

Java のソースコード内の文字列定数(""内)では、 ただ「\」と書くと文字列定数としての特殊記号として扱われてしまうため、 そもそも文字「\」を「\\」と書く必要があります。 よって、正規表現としての「\.」は「\\.」、「\\」は「\\\\」などと書く必要があります。

文字クラス

正規表現の例意味マッチする例
[abc]abcのうち1文字「a」「b」「c」のいずれか
[^abc]abc以外の1文字「d」など
[A-Za-z]AからZ、aからzのうちの1文字「d」など
\d数字1文字「0」から「9」までのいずれか
\w英数字1文字「a」「B」「7」など
\s空白文字1文字空白、改行、タブなど
\p{InBasicLatin}ラテン文字1文字「a」「B」記号など
\p{InHiragana}平仮名1文字「あ」「ん」など
\p{InKatakana}片仮名1文字「ア」「ン」など
\p{InCJKUnifiedIdeographs}漢字1文字「漢」「字」など

上記の \p{...} はどれも Unicodeブロックと呼ばれるものです。

境界

正規表現の例意味マッチする例
^行頭「^un」は「un」で始まる文字列
$行末「ing$」は「ing」で終わる文字列

数量子

正規表現の例意味マッチする例
?直前の文字が0個か1個「e?grep」は「grep」か「egrep」
*直前の文字が0個以上「.*」は 0文字以上の任意の文字列
+直前の文字が1個以上「.+」は 1文字以上の任意の文字列
{n}直前の文字がn個「a{2}」は「aa」
{n,}直前の文字がn個以上「a{2,}」は「aa」「aaa」...
{n,m}直前の文字がn個以上,m個以下「a{2,3}」は「aa」「aaa」
+?直前の文字が1個以上，ただしマッチする最小の範囲

論理演算子

正規表現の例意味備考
tdu|dendaitdu または dendai範囲を区切るため全体を()で囲むことが多い
()グループ分けgroup(n)でn番目のグループにマッチした文字列を参照できる

問題 Google の検索結果のページの下部に、 検索結果ページの何ページ目かを示す Goooooogle といった文字列がある。 文字 o の数は検索結果のページ数によって変化するが、2個以上、20個以下であるように見受けられる(2011年10月現在)。 この文字列を表す正規表現を答えよ。

問題 与えられたファイルが HTMLファイルであるか、 ファイル名から判断することにする。 HTML ファイルであればマッチする正規表現を答えよ。 HTML ファイルの拡張子は、.html と .htm の2種類とする。

Javaにおける正規表現

Javaには正規表現に関する機能を実現するためのパッケージ java.util.regex があります (Java SDK 1.4 で導入)。 このパッケージにより、強力な正規表現の機能を持つ Perl とほぼ同等の機能が実現されています。

Java では正規表現を扱う際に Pattern と Matcher の2つのクラスを用います。どちらも java.util.regex パッケージに属するクラスです。

クラス Pattern のメソッド

static Pattern compile(String regex)
指定された正規表現 regex をパターンにコンパイルし、Pattern クラスのインスタンスとして返す。
Matcher matcher(CharSequence input)
指定された入力 input と、このパターンとをマッチする正規表現エンジンを作成する。 String や StringBuffer クラスは CharSequence インタフェースを実装しているので、引数として与えることができる。
static boolean matches(String regex, CharSequence input)
指定された正規表現をコンパイルして、指定された入力とその正規表現をマッチする。
String[] split(CharSequence input)
このパターンを区切り文字列として、指定された入力シーケンスを分割する。

クラス Matcher のメソッド

int end()
最後にマッチした文字のインデックスに 1 を加えたものを返す。
int end(int group)
前回のマッチ操作で指定されたグループによって前方参照された部分シーケンスの、最後の文字のインデックスに 1 を加えたものを返す。
boolean find()
入力シーケンスからこのパターンとマッチする次の部分シーケンスを検索する。
boolean find(int start)
この正規表現エンジンをリセットし、指定されたインデックス以降の入力シーケンスから、このパターンとマッチする次の部分シーケンスを検索する。
String group()
前回のマッチで一致した入力部分シーケンスを返す。
String group(int group)
前回のマッチ操作で指定されたグループによって前方参照された入力部分シーケンスを返す。
int groupCount()
この正規表現エンジンのパターンに指定されている前方参照を行う正規表現グループの数を返す。
boolean lookingAt()
入力シーケンスの先頭からパターンとマッチする。
boolean matches()
入力シーケンス全体をこのパターンとマッチする。
String replaceAll(String replacement)
パターンとマッチする入力シーケンスの部分シーケンスを、指定された置換文字列に置き換える。
String replaceFirst(String replacement)
パターンとマッチする入力シーケンスの部分シーケンスのうち、最初の部分シーケンスを指定された置換文字列に置き換える。
Matcher reset(CharSequence input)
新しい入力シーケンスを使用してこの正規表現エンジンをリセットする。
int start()
前回のマッチの開始インデックスを返す。
int start(int group)
前回のマッチ操作で指定されたグループによって前方参照された部分シーケンスの、開始インデックスを返す。

テスト用プログラム

キーボードから入力して確認できるプログラムを示します。 

import java.util.*;
import java.util.regex.*;

class PatternTester {
    public static void main(String[] args) {
	Scanner scanner = new Scanner(System.in);

	System.out.println("テストする正規表現を入力してください。");
	Pattern pattern = Pattern.compile(scanner.nextLine());

	System.out.println("マッチさせる文字列を入力してください(Ctrl-dで終了)。");
	while (scanner.hasNext()) {     // Ctrl-d が来ない限り繰り返す
	    // 1行分の文字列を読み込む
	    String nextLine = scanner.nextLine();
	    // nextLine に対してパターンマッチをする Matcher インスタンスを生成
	    Matcher matcher = pattern.matcher(nextLine);
	    // 先頭から探せる限り探す
	    while (matcher.find()) {
		System.out.println("マッチしました: " + matcher.group());
	    }
	}
    }
}

PatternTester.java

なお、Scanner クラスはそれ自体が正規表現に対応しているため、 Matcher を明示的に使わない書き方もできます。 

	System.out.println("マッチさせるテキストを入力してください(Ctrl-dで入力終了)。");
	while(true) {
	    String string = scanner.findInLine(pattern);
	    if(string == null)
		break;
	    else
		System.out.println("マッチしました: " + string);
	}

コード例 - HTMLのタグ除去

HTMLなどのタグを除去します。<.+?> という正規表現で、 < > に囲まれた1文字以上の文字列を表します。 なお、.+? は最短のマッチを表します。 ちょっと考えると .+ (任意の文字の1文字以上の連続)でよさそうに思えますが、 そうすると以下のような場合、

<em>content</em>

.+ がマッチする範囲は「 em>content</em 」となってしまいます。 

import java.util.*;
import java.util.regex.*;

public class TagRemover {
    public static void main(String[] args) {
	Pattern pattern = Pattern.compile("<.+?>", Pattern.DOTALL);
	Scanner scanner = new Scanner(System.in);

	while (scanner.hasNext()) {
	    // 1行分の文字列を読み込む
	    String nextLine = scanner.nextLine();
	    // nextLine に対してパターンマッチをする Matcher インスタンスを生成
	    Matcher matcher = pattern.matcher(nextLine);
	    // 行内のすべてのタグを取り除く
	    String string = matcher.replaceAll("");
	    System.out.println(string);
	}
    }
}

TagRemover.java

メソッド compile の第2引数 Pattern.DOTALL は、 「.」で改行もマッチさせるための指定です。 タグの途中で改行があった場合には有効です。

なお、<.+?> ではなく、<[^>]+> としてもよいはずです。 ここで、[^>] は > 以外の文字1文字を表しています。しかし、 実際には [^>] は > だけでなく漢字などにもマッチしない現象があるため、 うまく動作しません。

コード例 - リンク先の抽出

正規表現では () でグループを表し、 その部分にマッチした文字列を参照することができます。 グループには先頭から 1,2,... と番号がつけられていますので、 group(番号n) で n番目のグループにマッチした文字列が得られます。 

import java.util.regex.*;

class LinkFinder {
    public static void main(String args[]) {
	Pattern pattern = Pattern.compile("href=\"(.+?)\"");
	Matcher matcher = pattern.matcher("<a href=\"index.html\">トップへ</a>");
	if(matcher.find())
	    System.out.println(matcher.group(1));
    }
}

LinkFinder.java

String の正規表現関連メソッド

文字列の置換と分割については、 String クラスから直接行えるメソッドが用意されています。

String replaceAll(String regex, String replacement)
指定された正規表現に一致する、この文字列の各部分文字列に対し、指定された置換を実行する。
String replaceFirst(String regex, String replacement)
指定された正規表現に一致する、この文字列の最初の部分文字列に対し、指定された置換を実行する。
String[] split(String regex)
この文字列を、指定された正規表現に一致する位置で分割する。

問題 コマンドライン引数にファイル名を与えると、 その拡張子を取り出すプログラムを作成しなさい。 拡張子とは、ファイル名が「cmd.exe」であれば「exe」である。 java.sun.exe のように「.」が2つ以上ある場合もあるので、 拡張子は、最後の「.」の直後から末尾までの文字列、 と定義することができる。

TOP > クラスライブラリ応用
東京電機大学 未来科学部 情報メディア学科
im.dendai.ac.jp ほか
yamada@