Hidemaru Q and A

第IV部～テキスト編集を極める！！
　正規表現について

●正規表現について

　秀丸だけでなく、高度で自由度の高い検索をするには必須の「正規表現」。 ここでは実用上重要な例をとりあげながら、わかりやすく解説します。 今日からあなたの「検索」が変わります。
　正規表現に関する話題は、 次の「【０】いんとろだくしょん」に続く 以下の５章から構成されています。
【１】 基本編　～表記のルールと意味～
【２】 実践編　～正規表現による置換の実際～
【３】 まとめ
【４】 参考文献
【５】 (補足) 秀丸上での複数行にまたがる検索について

※以下の内容は、秀丸ヘルプの「検索系コマンド→検索→正規表現」の 内容についての補足です。 よってヘルプを参照しながら読まれる事を想定して書かれています。

【０】 いんとろだくしょん

いきなりですがここでクイズです。

Q. 文書から「明日は…でした。」という日本語として 変な文を全て抜き出すにはどうしたらよいでしょうか？
但し、簡単のために現在のファイルは「１行につき１文」というルールで 作成されているとします。

　文書に検索を行って、ヒットしたものを全て抜き出す作業に grep 機能 を使うのは前提として、 ここで問題なのは どういう検索を行えばよいか という事です。 単に "明日は" や "でした。" を検索すると、 正しい文までヒットしてしまうのは言うまでもないでしょう。 とりあえずそれらで検索した後、 該当部分だけ抜き出せばいいというのも、

何とも口惜しい…。 まぁ

と言ってしまえばそれまでですが、逆に言えば、 こんぴゅーたに「何を探したいか」を適切に教えてやれば、 ちゃんと仕事をしてくれるはずです。

この例の場合、探したいものは

「明日は」で始まり、途中に何か文があって、「でした。」で終わる

という 文字の並び方のルール として表現できますが、 このようにルールとして与えてやれば、

こんぴゅーたのことですから、きっとうまいこと(笑)やってくれるはず。

…前置きが長くなりましたが、こういう

です。

ちょっと先走ってしまいますが、 言葉で表現した文字の並びのルールを正規表現を使って表現すると、

^明日は.+でした。$

となります。 上の正規表現には、"明日は" や "でした。" などのような 探したい文字そのもの の他、 "^" や ".+" や "$" という 記号 が含まれています。 すぐ後の【１】基本編 で説明しますが、 これらの記号は文字の並び方のルールを表現するための特別な意味 を持っていて、 上の例でいうと 「～で始まり」「何か文があって」「～で終わる」といった ルールに対応しています。 このように、正規表現は文字の並びのルールを言葉ではなく

で表します。

なお、上の例のように正規表現を使って表した文字の並びのルール自体を正規表現、 または パターンと呼ぶことがあります。 用語の混乱を避けるために、 以下の説明では「パターン」と呼ぶことにします。

途中で脱線してしまいましたが、 探したいものをコンピュータにもわかるようにパターンとして表わすことができたら、 あとは検索文字列に上のパターンを書き込んで、

というかけ声と共に検索を実行すれば、 望み通り変な文だけを検索することができます。

では、以下の章でこれらの記号の意味と使い方について説明していきます。


【１】 基本編　～表記のルールと意味～

[1-1] メタキャラクタとエスケープシーケンス

まず前章の例の真ん中辺りにあった「.+」ですが、 これは言葉で表現した文字の並びのルールの 「何か文があって」という部分に対応しています。 この記号は「. (ピリオド)」と 「+ (プラス)」との組み合わせで、 それぞれ

. (ピリオド) … 任意の１文字

+ (プラス) … 直前の文字の１回以上の繰り返し

という意味を持っています。

　ピリオドは、 MS-DOS のワイルドカード(懐かしい(笑))では 「?」と表現していたもので、 どんな１文字にもマッチ(*1)します。 例えば "あ.た" というパターンは、 "あんた" にも "あいた" にも "あした" にも、 果ては

にもマッチします(笑)。

(*1) 正規表現で書かれた検索文字列で対象の文を探していって、 それに一致する文字列を見出したとき、 「(パターンに)マッチした」と表現します。

　プラス記号の方はちょっと注意が必要で、 これ単独では意味を成しません。 必ず直前に文字 があって、 その１回以上の繰り返しにマッチします。 例えば "痛て+" というパターンは "痛て" という軽い痛みから

という悶絶するような痛み全てにマッチします。 正規表現を使わないと "痛て" と "痛てて" と "痛ててて" と…と全ての可能性をいちいち検索する必要がある所を、 このように

で指定できるわけです。

　今説明したピリオドやプラス記号のような、 正規表現の中で特殊な意味を持つ記号のことを メタキャラクタと呼びます。 メタキャラクタはこれらの他にも下記の表にあるようにいっぱい(笑)あります。

メタキャラクタ　意味
. (改行文字を除く)任意の１文字にマッチ
* 直前の文字(※)の０個以上の繰り返しにマッチ
+ 直前の文字(※)の１個以上の繰り返しにマッチ
? 直前の文字(※)の０個(＝１個もない)または１個にマッチ
^ (パターンの先頭にある時のみ)行頭にマッチ
$ (パターンの末尾にある時のみ)行末にマッチ
[ ] キャラクタクラス指定(後述)
( ) グルーピング指定(後述)
| パターンの論理和(後述)
\ エスケープキャラクタ
※ またはグルーピングされたパターンでもよい(後述)。
これら以外にも、特定の場所に現れた場合に限って特殊な意味を持つ記号 (キャラクタクラス指定の中の "-" 等)もあります。 ちなみに、これら以外の普通に記号と呼ばれている "@" 等は、 正規表現では「普通の文字」として扱われます。

・繰り返しを表わすメタキャラクタと「最長一致」のルール

　先程説明した "+" とよく似た使い方をする メタキャラクタがあと２つあります。

　まずアスタリスク "*" は 「０個以上の繰り返し」となっていますが、 これは "痛て*" というパターンを例に取ると、 "痛て+" と同じ物を全て含む他に、

も含んでいます(笑)。 ここで、"*" に関して

をここでも述べますが、 MS-DOS のワイルドカードの場合と違って、 正規表現の "*" は 必ず直前の文字とペアで意味を持ちます。 逆に、MS-DOS の "*"(空を含む任意の文字列にマッチ)は 正規表現では ".*" となります。

　一方、クエスチョンマーク "?" は 「０個(＝１個もない)、または１個ある場合」を表しているので、 "エディター?" というパターンは "エディタ" にも "エディター" にもマッチします。

　ここで、「痛てててててて！」という文(？)に対して "痛て+" というパターンで検索すると、 １回の検索でどこまでがマッチの対象になるか？ ということが問題になります。 "痛て" もマッチするし "痛てて" もマッチするし…というわけで、 「検索を繰り返す毎に一つ一つ順番にマッチしていくの？」と考えた人は……

実際には １回目の検索でいきなり "痛てててててて"(！の直前) までがマッチの対象、 つまり検索結果になります。

　この様に、正規表現による検索は

という規則になっています (最長一致のルール)。
　このルールがあるおかげで、 正規表現は我々に色々楽しい経験をさせてくれますが、 それらの例については【２】を参照して下さい。

・行の区切りを表わすメタキャラクタ

　"^" と "$" は 【０】の例にも出てきていますが、 それぞれ「行頭」及び「行末」にマッチする、となっています。 では、以下のような場合について、 "^.+$" という(任意の空でない１行にマッチする) パターンで検索してみたら、どういう結果になるでしょうか？

↓
この文はこの行の右端で折り返されています。 ここのことです→
この行の末尾で [Enter] キーで改行されています。＃↓
[EOF]

この場合、見た目の行、 つまり２行目だけ("この文は" から "→" まで)がマッチしそうな所ですが、 実際にやってみると２行目の先頭から３行目の行末("＃")まで がマッチします。 この例からもわかるように、正規表現で言う所の「行」とは 秀丸の画面上での「見た目の行」のこと ではなく、

を指しています(いわゆる「論理行」のこと)。 上の例では見た目が４行のファイルですが、論理行で数えると

の３行からなるファイル、と言う事が出来ます。 「テキストファイル」は(文字コード体系の違いを除けば) 普通の文字(*2)と改行文字の並びで構成されているので、 どんな環境でも論理行は同じものになります。 元々正規表現は sed 等のテキスト整形ツールで使われていたものですが、 それらはエディタの様にテキストファイルを「表示」することなく ツール内部だけで処理をするため、 見た目にはよらない形でテキストを扱うような 形式になっていなければならないわけです。

(*2) タブ、改ページ文字等のいわゆるコントロール文字も含みます。

　なお、"^" ("$") は、 上記のように パターンの先頭(末尾)にある時にのみ 上のような特殊な意味を持ちます。 つまり "ab^cd$efg" というパターンの中の "^" や "$" は、 単にその文字(ハットやドル)そのもの を表現しています。

　ここでちょっと脱線ですが、"$" と 似て非なる物 として "\n" (改行文字) があります (後述の「エスケープシーケンス」を参照)。 直前の話からすると、 正規表現では「行末 ＝ 改行文字」なわけで、 何でこんな余計なものがあるのか疑問に思う人がいると思いますが、 その理由は２つあります。

　１つめは、"$" は ファイルの末尾 "[EOF]" も含む ということです ("\n" はあくまでも「改行文字そのもの」を表す)。 というわけで、最後の行が("↓" ではなく) "[EOF]" で 終わっている場合も "$" を使えば正しく処理できます。

　２つめの理由は、置換を行う時に 改行文字も含めて置換したい場合 があるからです。 次の２つのパターン

//.*$
と
//.*\n

はどちらも

C++ 言語では // から行末までをコメントとみまします。↓

という行の "//" からそれ以降の文字にマッチしますが、 "$" で行末を指定した場合はマッチの範囲に 改行文字("↓")を含みません。 一方 "\n" の方は改行文字もマッチの範囲に含まれます。 このマッチの仕方の違いをうまく利用した置換の例については、 このQ&A集の 「●空白行を削除したい」 「●空白行を改行だけの行にしたい」 の２つの例を見てください。 逆に、これら２つを組み合わせて使う場合、 意図した結果が得られないことがありますが、 その例と解説については第５章をご覧ください。

・エスケープキャラクタとエスケープシーケンス

　メタキャラクタの表の最後にある "\" (エスケープキャラクタ) は 今までのメタキャラクタよりもっと特殊で、 それ自体では意味を持たず、 その直後の文字とペアになって一つの特殊文字 を表現します。 例えば前述の "\n"(改行文字) はその一つです。 このように "\" で作られる特殊文字の事を エスケープシーケンスと呼びますが、 それらを下の表にまとめてみました。

エスケープシーケンス 　意味
\<oct> <oct> を8進数とみなして、それを文字コードに持つ文字
\x<hex> <hex> を16進数とみなして、それを文字コードに持つ文字
\a ベル (\x07)
\b バックスペース (\x08)
\t タブ (\x09)
\n 改行 (\x0A)
\v 垂直タブ (\x0B)
\f フォームフィード(改ページ) (\x0C)(※)
\r キャリッジリターン (\x0D)
\z EOF(End Of File) 記号 (\x1A)
\< 英単語の始まりにマッチ(文字ではない)
\> 英単語の終わりにマッチ(文字ではない)
\w 英単語にマッチ(アンダースコア "_" を含む)
\<char> 上記以外の文字の場合は <char> そのもの
(メタキャラクタのエスケープに使用)

※ Ver.3.0 以降の秀丸では、"\f" が一般的な意味の「改ページ(\x0C)」ではなく、「タグ付き正規表現」における区切り子として解釈されるようになりました。Ver.3.0 以降の秀丸で改ページコードを指定したい場合は、\x0C と記述する必要があります。

　例えば行の先頭がタブ文字で始まる行を検索するには "^\t" というパターンを指定します。 なお、"\<" と "\>" はその他の物とは異なり、 それぞれ英単語の先頭、末尾に一致します (行における "^"、"$" と同じ意味)。 例えば "\<a" は "a" で始まる英単語 を検索するので、

This is a pen. That is the present of my father.

の１文目の "a" にはマッチしますが、 ２文目の "That" や "father" の中の "a" にはマッチしません。

　最後の "\<char>" は、最初から特殊な意味を持っているメタキャラクタの 特殊な意味を消すために使います。 例えば "*"(アスタリスク) を検索したい時には "\*" と指定します。 あとよく出てくる話ですが、 "\" 自身もメタキャラクタなので、 "\" そのものを検索したい時は "\\" と指定します。

[1-2] キャラクタクラスとグルーピングその他

・キャラクタクラス

　前節で説明したメタキャラクタのうち、"." (任意の１文字にマッチ) は非常に使える表現で、 これがなければ正規表現は

でしょう。 ですが、逆に

場面にもしばしば出会います。 例として以下のクイズを考えてみましょう。

Q. 日本語の文書に混じった英単語(半角のアルファベットのみ)だけを 探すには、どのような正規表現をかけばいいでしょうか？

　ここで、「英単語」とは 「半角の a ～ z, A ～ Z のみからなる文字の並び」なわけですから、 もし「任意の半角アルファベット１文字にマッチするメタキャラクタ」 があれば、 前節で説明したメタキャラクタ "+" と

です。 が、幸か不幸か正規表現にはそんなメタキャラクタは用意されていません。
※ "\w" はアンダースコア "_" を含むため、今の目的には使えません。

　が、落胆するのはまだ早いです。 何と正規表現には 任意のアルファベット どころか 「自分で勝手に定義した任意の文字の集まりに マッチするメタキャラクタ」 を作るルールが用意されているのです(わーいわーい)！ それがいわゆるキャラクタクラス指定 です。

　例えば "a", "b", "c", "d", "×" の５文字のうちの どれか１文字にマッチするメタキャラクタが欲しい時は、

[abcd×]

　という風に、 含めたい文字を "[" と "]" で 囲むだけでよいのです。 メタキャラクタ "." が (改行文字を除く)任意の１文字にマッチするのに対し、 キャラクタクラス指定はそれより 狭い範囲の文字の集まりの中の１文字にマッチするわけです。

　では、先のクイズに戻って 「任意の半角アルファベット」にマッチするキャラクタクラスを作りましょう。 もちろん

[ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz]

　で正解なのですが、 これは以下のようにもっと短縮した形で書く事ができます。

[A-Za-z]

　ここで、"-" は (文字コードで見て) その前後の間にある文字を全て含める、という意味になっています (というわけで "[Z-Az-a]" は 間違い)。
※この "-" を使った表現は 厳密には機種(というか採用している文字コード)に依存しますが、 今回はこれ以上深い説明は割愛しますm(_ _)m。

さて、キャラクタクラス指定によって 「任意のアルファベットを表す」表現が出来たので、 あとはそれを１個以上繰り返す、という指定をすればよいわけです。 というわけで結局クイズの答は

[A-Za-z]+

ということになります。

ここで、いくつかの典型的なキャラクタクラス指定を紹介します。

キャラクタクラス　意味
[0-9] 半角の数字にマッチ
[ぁ-ん] 全角ひらがなにマッチ
[ァ-ヶ] 全角カタカナにマッチ
[ -~] 任意の１バイト文字(半角空白" "から"~"まで)にマッチ
[亜-黑] 漢字にマッチ (詳細は●漢字だけを探したい を参照)

キャラクタクラス指定は 「任意の」という範囲が広すぎる "." に比べて、 より狭い範囲の文字の集まりに限定してマッチさせるものでしたが、 この逆、つまり「指定したいくつかの文字以外の１文字にマッチする」 ような指定はできないのでしょうか？ …と白々しく(笑)ネタを振るぐらいなので ちゃんとそういうことができるようになっていて、 "[" と "]" の代わりに "[^" と "]" で囲むと、 「その間にある文字以外の１文字(改行文字も含む(*3))」 という意味の指定になります (「[^0-9] (半角数字でない１文字)」etc.)。

　ここでよく勘違いされるので注意が必要ですが、 例えば "[^abc]" という指定は 「"abc" でない文字列」という意味 ではなく、 「"a" でも "b" でも "c" でもない１文字」という意味になります。
※ 「"ABCDE" でない、"A" で始まって "E" で終わる５文字の文字列」を 指定したつもりで "A[^BCD]E" と指定する etc.

　…ここまでくると、 「じゃあ "^" や "-" をキャラクタクラスに入れたい時はどうするの？」 という声が聞こえてきそうですが、 これもしっかり逃げ道 があって、 "^" は "[" の直後以外、 "-" は "[" (または "[^") の直後か "]" の直前に書けば、 キャラクタクラス指定に入れることができます。

あ、そうそう。メタキャラクタは キャラクタクラス指定の中では (エスケープキャラクタを前に置かなくても自動的に)その特殊な意味を失って、 単にその文字自身を表わすようになります。 ただし "]" は例外で、 ちゃんと "\" を前に付けないと駄目です…って当たり前ですが(^^;。

(*3) 古い正規表現では否定のキャラクタクラス指定に 改行文字は含まれませんでしたが、 新しい正規表現(秀丸が内部で使用している正規表現エンジン JRE32.DLL も)では 改行文字も含まれるようです。

・グルーピング

　これまで説明したルールでかなり柔軟な検索指定ができるわけですが、 例えば「うひうひうひうひ…」という

にすべてマッチするようなパターンはまだ書けません。 例えば "うひ+" だと、 "うひ" にマッチするのはまだいいとして、 "うひひ" とか "うひひひ" にマッチしてしまいます…ってこれも

ですが(笑)。 …まぁ冗談はさて置き、この場合 「"うひ" が何回か繰り返されるパターン」 が欲しいわけですが、 これを実現するために グルーピングを使います。 「グルーピング」というと何だか難しそうですが、 単に "*" や "+" のような繰り返し指定の対象を 「１文字」から「いくつかの文字の並び」に広げるために、 それらの文字を「グループにまとめ」て、 あたかも１つの文字であるかのように扱う、それだけのことです。

グルーピングを使うと、 今の例は以下のようなパターンを指定すれば望みの検索ができます。

(うひ)+

　つまり、"(" と ")" で 括られた物をひとまとめにして(＝グループにまとめて) それを繰り返す、という指定をするわけです。

上の説明では「いくつかの文字の並び」と表現しましたが、 一般に括弧の中には文字の並びだけでなく 任意のパターンを書くことができます。 そして、括弧で括ったパターンに対して繰り返しの指定を行うと、 そのパターンの繰り返しにマッチすることになります。 例えば

(うひ+)+

というパターンを指定すると、

という

にもマッチするようになります(笑)…って笑ってる場合じゃないですね。 ちゃんと説明すると、"うひ+" というパターンに対して、 前から順に「うひ」「うひひ」「うひ」「うひひひひひ」がマッチしています。 で、括弧の中のパターンにマッチするものが(１個以上)並んでいるわけですから、 この文全体が "(うひ+)+" というパターンにマッチするわけです。

・パターンの論理和

　さて、今度は「"今日" または "明日"」のように

に使えるルールですが、 この場合は

今日|明日

　と指定すればＯＫです。 ここで、"|" (縦棒) は 「～または～」という意味を持ち、 (ソフトウェアの制限の許す限り) 何個でもつなげて指定できます。 つまり、

一昨日|昨日|今日|明日|明後日

のような指定ができるわけです。 なお、この場合は先程説明したグルーピングを用いて、

(一昨|昨|今|明)日

という指定や、さらに

(一昨|[昨今明])日

という指定もできます。


【２】 実践編　～正規表現による置換の実際～

　前章では「検索」のための正規表現の書き方を紹介しましたが、 この章では「置換」の場合の正規表現の書き方と、 その時に陥りやすい「落とし穴」について紹介します。

[2-1] 「置換・削除」と「最長一致のルール」 …うわぁ！みんな消えちまった！！

　ここでは実用性の高そうな例として

の HTML ファイルの、「タグ」と呼ばれる "<"と">"で囲まれた記号を削除することを考えてみましょう。 以下は、HTML ファイルの中身を一部だけ抜き出した物です。

<PRE>これ以後は見た目通りの改行位置で改行されます。↓
<FONT SIZE=5>フォントサイズ指定子</FONT>の例です。↓
<HR><!-- 横線を引きます(これは注釈です) -->↓
<CENTER>中央揃え指定子</CENTER>↓
</PRE>これ以後は改行が無視されます。↓

ここで、"<PRE>" や "</FONT>" が 「タグ」の例です。 通常の置換では、何種類もあるこれらのタグをいちいち指定して 何回も置換を繰り返すことになりますが、 正規表現を使えば これらのタグを「１回の置換」で削除することができます。

・失敗例

　要するに「タグ」とは "<" と ">" で囲まれたものなわけで、 正規表現で表すと

<.*>

でよさそうです。 というわけで、取りあえず

検索文字列： <.*>
置換文字列： (何も書かない)

で「全置換」を実行してみましょう。 以下がその結果です。

これ以後は見た目通りの改行位置で改行されます。↓
の例です。↓
↓
↓
これ以後は改行が無視されます。↓

ありゃりゃ(笑)。 １、３、５行目の結果は問題ないですが、 ２行目と４行目の結果は？？？です。

・考察

　ここで何が起こったのかを理解するために、 正規表現の「最長一致のルール」を 思い出しましょう。 これは「正規表現による検索では 与えられたパターンに一致する最長の文字列 がマッチする」というルールでした。
　上の例では、 ２行目は "<FONT SIZE=5>" の始めの "<" から、 "</FONT>" の終わりの ">" までがマッチしていることに 気がつきます(４行目についても同様)。 前章で説明したように "." は 「(改行を除く)任意の文字」に マッチしますから、 確かに処理としては正しいことをしています (間違うのはいつも人間 :-P)。

　では、正しく「タグ」だけを指定するにはどうしたらよいのでしょうか？ この場合は「タグ」の性質をよく考えれば比較的簡単に答がわかります。 「タグ」とは要するに 「"<" で始まり、最初に現れた ">" で終わる」ものなので、 「任意の」という部分を 「">" を除いた任意の」という 表現に置き換えてやればよいわけです。 これを正規表現で表現したものが以下です。

検索文字列(改良版)： <[^>]*>

ではこれで置換を実行してみましょう。以下がその結果です。

これ以後は見た目通りの改行位置で改行されます。↓
フォントサイズ指定子の例です。↓
↓
中央揃え指定子↓
これ以後は改行が無視されます。↓

…どうやらうまくいったようです。

上の例で見たように、"." という表現は 便利で正規表現には無くてはならないものなんですが、 「置換」の場合は

というわけです。

・補足(タグの消去の方法…実践編)

　上の例では複数行にまたがるタグや、コメントタグの中に書かれたタグ のことを考慮していませんでした。 それらも考慮した、タグをほぼ完全に消去するパターンを以下に示しておきます。

<!--(.|\n)*-->|<[^>]*>

※ ただし、この正規表現では 約３行以上に渡るタグを正しく置換できません (後述の【５】秀丸上での複数行にまたがる検索について を参照して下さい)。

[2-2] 「文字列の否定」について…あきらめずに頑張ろう！！

　今度はＣ言語のコメントを削除する例を考えてみましょう。

　Ｃ言語のコメントは "/*" と "*/" で囲まれた部分です。 この場合も前節の HTML タグの削除でやったように "/*" と "*/" の間に "*/" を「否定」する 表現を入れてやればよい事は

…と言いたい所ですが、 正規表現には否定のキャラクタクラス指定という 「文字」の否定をする表現はありますが、 直接「文字列」を否定する表現はありません。
…もうおわかりでしょうが、 "[^*/]" は 「"*" でも "/" でもない １文字」という意味であり、 「"*/" でない文字列」 という意味にはなりません。

　となると、

という声が聞こえてきそうですが、 どうぞご安心を(笑)。

ちゃんと消すことができます。 では、以下の２つの例で「知恵のしぼり方」をご覧ください。

・Ｃ言語のコメントを消す

"/*" と "*/" の間にある文字列のパターンは、 以下のように表わすことができそうです。

「"/" 以外の文字」と「直前が "*" 以外の "/"」を組み合わせた文字列

ここで、"/" の直前に "*" がないことを指定して実質的に 「文字列の否定」をしていることに注意して下さい。

　ちなみに、同じような表現と思われる

「"*" 以外の文字」と「直後が "/" 以外の "*"」を組み合わせた文字列

ではうまく行きません。 理由は、"**/" の場合に "**" (直後が "/" 以外の "*") と "/" ("*" 以外の文字) という風にマッチしてしまうため、 例えば

/***/ /***/

の "/***/ /***/" 全てにマッチしてしまうからです。

　以上のことを考慮して、 ちゃんとコメントにマッチする(と思われる)パターンを書いたものが以下です。

検索文字列： /\*([^/]|[^*]/)*\*/

("*" は メタキャラクタなので、 キャラクタクラス指定の中にある "*" 以外は "\" でエスケープしてあります。)

　これで一見うまくいくように思えます。 が、実はこのパターンは以下のようなコメント(？)にマッチしません。

/*/ */

一般に、"/*" の直後に "/" がある場合はアウトです。 なぜかというと、 上のパターン(の "[^*]/" という部分)では "/" の直前に必ず１文字存在することを要求しているからです。 ("/*" は既に "/\*" がマッチしているので対象外です。)

　というわけで、 この特殊な場合も考慮したパターンを作る必要があります。 で、それは以下のようになります。

検索文字列(改良版)： /\*/?([^/]|[^*]/)*\*/

("/?" という指定で、(もしあれば) "/*" の直後の "/" にマッチさせています。)

※ ただし、この表現のままでは 複数行に渡るコメントは 正しく置換できません。 これはこのパターンが不完全なのではなく、 秀丸の正規表現検索の仕様によるものです (後述の【５】秀丸上での複数行にまたがる検索について を参照して下さい)。 任意の行数にまたがるコメントを削除することは その仕様のためにできないのですが、 例えば２行以下のものであれば以下のパターンを使えば可能です。

検索文字列(２行までのコメントにマッチ)： /\*/?(\n|[^/]|[^*]/)*\*/

"[^/]" は「"/" 以外の１文字」を表しているので、 その中には "\n" も含まれています。 したがって、真ん中の括弧の中に入れた "\n" は正規表現としては不必要なものです。 しかし、この "\n" を加えることで秀丸の動作が変わり、 複数行にまたがるコメントも検索できるようになります。

・間違ったヘッダを持つ行を探す

　行の先頭から "P:XXXX"("XXXX" には半角の数字が入る) となっているはずが、 "P" が "p" になっていたり忘れているような場合や、 ":" が ";" になっていたり忘れているような行を 探すことを考えます。
　この場合、「行の先頭が "P:" ではない」という 「文字列の否定」ができれば話は簡単なのですが、

のは前の例で述べた通りです。 というわけで、ここでも知恵をしぼって考えることにしましょう。

　問題の条件から、具体的にどのような間違いが有り得るかをまず考えると、 行の先頭から２文字についてそれぞれ３通り (正しい文字、間違っている文字、文字がない)の可能性あり、 ３×３－１の計８通りの間違いがあるはずです。 もちろんそれらを全部 書き並べてもいいのですが、 ここではもう少し効率のよい方法を紹介します。

　ます、８つの間違いが以下の４つのグループにわけられることを使います。

0123 (何もない)
P0123, :0123, etc. (文字が１つだけしかない)
p:0123, p;0123 (文字が２つあっても先頭が "P" でない)
P;0123 (２つあって先頭が "P" でも次が ":" でない)

で、これを素直に 正規表現で表わすと

検索文字列： ^(|.|[^P].|P[^:])[0-9]+$

となります。 ２番目と３番目、 特に２番目は "." を使うことで４つの間違いにマッチしています。

・一般の「文字列の否定」はどうするか？

　上の２例については運良く(笑) 解答が見つかりましたが、 では一般的に「文字列の否定」をするにはどうしたらよいのでしょうか？ もう少し正確な言い方をすれば、 「部分的に～という文字列を含まない文字列にマッチするパターン」 を作る一般的な方法はあるのでしょうか？ …と、ここで「一般論」を説明できれば

とは思いますが(笑)、 筆者の知る限りでは

と思います (もしご存知の方がいらっしゃいましたら、筆者までご一報くださいm(_ _)m)。 が、しかし、上で見たように

何とかなってしまいます(断言)。 別の言い方をすれば

であれこれ試していけば、 そのうちにきっと答が見つかります。
※ この節の最初の例も 第２版 Rev.D までは「答は無い」と考えていましたが、 色々試したら結局解答(に近いもの？)が見つかっちゃいました(^^;。

【３】 まとめ

　というわけで多少駆け足で説明してきましたが、 正規表現を使う事に対する大体の感覚は掴めてもらえたと思います。 あとは、実際に自分で色々な場合について パターンを書いてみることをお勧めします。

　その時に以下のことを念頭においてパターンを考えてみて下さい。

最後に、貴方の

が実りある物になることを祈りつつ…。

【４】 参考文献

　正規表現は sed や awk といった UNIX 関連のツールに対する書籍を買えば 大抵説明されていますが、 今回参考にした本だけを参考文献として紹介します。
＃他にも「これがいい！」という本がありましたら教えて下さいm(_ _)m。

AWKを256倍使うための本
(アスキー書籍編集部編　志村　拓・鷲北　賢・西村克信 共著)
正規表現に関してはホンの一部だけ説明されていますが、 例(？)が豊富でしかも笑えます。 今回の執筆＆改訂に多大なる影響を与えてくれました。

『sed&awkプログラミング』
(アスキー出版局編　Dale Dougherty 著　福崎俊博 訳)
いわゆる「教科書的」な構成で、読むのに結構根気がいるんですが、 一冊ぐらいはこういう本を読まないと…ね(←意味不明)。


【５】　(補足) 秀丸上での複数行にまたがる検索について

第１章で "$" と "\n" の違いを説明しましたが、 この章では この２つを組み合わせたパターンを使う場合の注意について説明します。

例えば "@" を含まない、 空でない任意の１行を検索する場合、 今までの説明をちゃんと読んできた貴方なら 以下のようなパターンが思い浮かぶはずです。

[^@\n]+$

さて、このパターンを以下の３つのファイルで検索してみましょう。

ファイル１
↓
この行はマッチするはず↓
[EOF]
ファイル２
↓
この行もマッチするはず…？？↓
↓
[EOF]
ファイル３
↓
↓
この行もマッチするはず↓
↓
[EOF]

カーソルを１行目に置いてから検索を行うと、 ファイル１と３は期待通りに２行目及び３行目にマッチしますが、 ファイル２の２行目は期待に反してマッチしません。

と思わず叫びたくなるような結果ですが、 ここはひとまず冷静になって何がどうなってるのかを考えてみましょう…

というわけであっさり降参して秀丸ヘルプを見ると、 「検索系コマンド」の中にある 「\n を使った複数行検索の際の制限について」に こんなことが書いてあります。

…だそうです(笑)。 「期待通りに動作しないことがある」と言われて納得できればそれでよし！ ですが、

とご心配の方のために、 以下でそのカラクリについて説明します。

込み入っているので順序立てて要点だけ挙げていきますが、

  1. 秀丸の正規表現検索は外部ツールである JRE32.DLL に 編集中のテキストの一部を渡す事で実行している。
  2. 秀丸自体は正規表現を解釈していないので、 JRE32.DLL の関数に渡すテキストの範囲を 現在のカーソル位置の次の文字から 検索文字に含まれる "\n" の個数＋１行分、と決め打ちしている。
  3. JRE32.DLL は、 渡されたテキストの末尾に "\n" があればそれを "$" にマッチさせる。 なければテキストの末尾の次に仮想的に "\n" を追加し、 それを "$" にマッチさせる。 逆に、テキストの途中に現れる "\n" には "$" はマッチしない(*5)。
  4. 2. の仕様により、例えば先の例ではそれぞれ以下のテキストが JRE32.DLL の関数に渡される。

      ファイル１： この行はマッチするはず\n
      ファイル２： この行もマッチするはず…？？\n\n
      ファイル３： \nこの行もマッチするはず\n

    ファイル１と３のテキストの末尾には "\n" があり、 それが "$" に置きかえられ、 ファイル２のテキストの末尾には二つ "\n" があるが、 その内の２番目の "\n" のみが "$" に置き換えられる。

      ファイル１： この行はマッチするはず$
      ファイル２： この行もマッチするはず…？？\n$
      ファイル３： \nこの行もマッチするはず$

    この中で "[^@\n]+$" にマッチするのは "$" の直前に "\n" を持たない１と３だけ、となる。

というわけで、 複数行にまたがる検索の結果は期待通りには行かない場合があるので、 きっちりとした処理がどうしても必要であれば、 正規表現検索（置換）だけに頼らずに マクロか sed 等のフィルタ系ツールで処理しましょう(*6)。 ここではマクロと正規表現の組み合わせの例として、 ２行以上に渡る改行のみの行を１行にする、 という置換を行うマクロを紹介します(Thanks to TAKA さん!!)。 

// 改行のみの行が連続していたら１行にするマクロ
// ※ファイルの終端から検索＆置換していくのがミソです。
//   以下のように先頭から置換するとうまく行かない場合があります。
//     replaceall "^\\n\\n+", "\n", regular; // 駄目な例
//
// なお、マクロについての解説はこちらを参照して下さい。
//
gofileend;
replaceup "^\\n\\n+", "\n", regular;
while (result) findup;

(*5) テキストの途中の "\n" にも "$" がマッチするようになれば 少なくとも今回の例のような事はなくなるわけですが、 これは JRE32.DLL の代わりに BRegIf.DLL (Arimac さん作) と BREGEXP.DLL (Ｂａｂａさん作) を組み合わせて使えば まさにそのような動作になります。 これらの DLL を使えばその他の拡張機能も利用できるようになるので、 デフォルトの正規表現検索では満足できないという方は(そうでない方も(^^;) ぜひ試してみて下さい。 なお、お二方の Web ページの URL は(2001 年5月中旬の時点で) 以下の通りです。

Arimac さんの Web ページ： https://www.arimac.com/
Ｂａｂａさんの Web ページ： http://www.hi-ho.ne.jp/babaq/index.html

(*6) sed を使う場合も複数行にまたがる置換をする時は ちょっと面倒な処理をする必要があります。 もっとも、元々 UNIX 由来のツールは行指向で作られているものが多いので、 こういう特殊ケースは どうしても扱いが面倒になってしまうのはしょうがないです。

目次に戻る