どこでも機能する正規表現
Regular expressions that work "everywhere" (johndcook.com)
要約
正規表現の実装はツールによって異なり、それがフラストレーションの原因となることがあります。この記事では、sed、awk、grep、Emacsといった一般的なツールで「どこでも」機能する正規表現の共通部分について解説しています。特にawkの正規表現が低共通分母として機能し、Emacsは特殊なバックスラッシュの扱いを必要とすることなどを指摘し、多くの環境で使える正規表現の機能セットを提案しています。
全文翻訳
「どこでも」機能する正規表現
正規表現の最もフラストレーションがたまる側面は、実装がツールによって異なることです。あるツールでサポートされている機能が、別のツールでは全くサポートされていなかったり、わずかに異なる構文でサポートされていたりします。
私は正規表現を、正規表現環境としては最大級のPerlの文脈で学びました。これにより、期待通りに動作するはずの機能が欠けている場合に、フラストレーションを感じるようになりました[1]。この問題を回避する一つの方法は、他のツールのPerl風のアナログを使用することですが、これは非常に標準的ではありません。私は、同僚やクライアントにすぐに使えるコードを送れるようになりたいのです。
計算サバイバリズムに関する私の投稿で述べたように、私は時折、ソフトウェアをインストールできないコンピュータ上で作業する必要に迫られます。そのため、より良いアプローチは、「どこでも」機能する正規表現機能のサブセットを特定することです。「どこでも」という定義を厳格にするほど、含まれるものは少なくなります。最も厳格なサブセットは以下のようになります。
- リテラル
- 文字クラス
[…] - 特殊文字
. * ^ $
より緩やかな「どこでも」の定義は、あなたが最も関心のあるツールを指します。現在、正規表現で最も使用したいツールは、sed、awk、grep、そしてEmacsです。
共通の最低限の基準としてのAwk
sed、awk、grepのGnuバージョンを使用し、sedとgrepで-Eオプションを使用すると、共通機能のリストはより大きくなります。これら3つのツールの正規表現機能は似ており、awkの機能は、例外が1つあるものの、他のツールでもサポートされています。awkにおける単語境界は、\bと\Bではなく、\<と\>です。
私はawkの正規表現機能についてここで書きました。
特異な存在としてのEmacs
Emacsは、awkの正規表現機能のほとんどのアナログをサポートしています。しかし、以下の文字は、awkの対応物のように機能させるためには、前にバックスラッシュが必要です。
+ ? ( ) { } |
また、awkの\sと\Sのアナログは、Emacsでは\s-と\S-です。
Emacsの\sと\Sは、スペースまたは非スペースを意味するのではなく、正規表現の(否定された)文字クラスを開始し、それらのクラスの1つがスペースを表す-です。しかし、他にも多くのクラスがあります。例えば、\s.は句読文字を表し、\S.は非句読文字を表します。
どこでも機能するもの
したがって、「どこでも」という私の定義では、上記の注意点を考慮すると、以下の機能がどこでも機能します。あなたの環境では異なるかもしれません。
.
^, $
[…], [^…]
*
\w, \W, \s, \S
\1 - \9 後方参照
\b \B
? +
| オルタネーション
{n,m} マッチ数の指定
(...) キャプチャ
1つの注釈として、gawkは置換文字列での後方参照をサポートしていますが、正規表現自体ではサポートしていません。
[1] ある程度、基本的なPerl機能は他の場所でも機能し、高度な機能は機能しないという考え方があります。ルックアラウンドlook-around機能を高度なものと考えると、それは一致します。しかし、数字を表す\dのようなものを基本的だと考えると、それは多くの正規表現フレーバーでサポートされていません。