【Python】正規表現

正規表現

文字列をパターンとして表現する手法を「正規表現」（Regular Expression）といいます。

正規表現では、通常の文字やパターンを表す「メタ文字」・「特殊シーケンス」を組み合わせて文字列を表現します。正規表現で表された文字列を「パターン文字列」といいます。

正規表現において、特定の文字列がパターン文字列と合致することを「マッチする」といいます。

なお、Pythonでは、パターン文字列はraw文字列として定義します。

パターン文字列

以下にメタ文字及び特殊シーケンスを機能別に分類してまとめます（適宜、公式ドキュメントも参照してください）。なお、パターン文字列中でメタ文字と同じ記号を文字として使用したい場合は「\」でエスケープします。

特定の位置でマッチするメタ文字

主な メタ文字	説明	例	マッチする文字列
^	先頭でマッチ。	^ab	abc、abC、abcd等
$	末尾でマッチ。	ab$	abab、12ab等

特定の文字にマッチするメタ文字

主な メタ文字	説明	例	マッチする文字列
.	どんな1文字にもマッチ（改行以外）。	a.c	abc、aBc等
[]	文字の集合を指定し、そのうちの1文字でマッチ。 集合の前に「^」を入れると集合以外の1文字でマッチ。	①[abc]または[a-c] ②[^abc]	①a、b、cにマッチ。 ②a、b、c以外にマッチ。
()	括弧内でグループ化し、グループでマッチ。	(abc)	abcde、abc12等

繰り返しにマッチするメタ文字

主な メタ文字	説明	例	マッチする文字列
*	直前のパターンを0回以上できるだけ多く繰り返したパターンにマッチ。	ab*	a、ab、abb等
+	直前のパターンを1回以上できるだけ多く繰り返したパターンにマッチ。	ab+	ab、abb、abbb等
?	直前のパターンを0回か1回繰り返したパターンにマッチ。	ab?	a、ab
*?、+?、??	直前のパターンを（*?は0回以上、+?は1回以上、??は0回か1回）できるだけ少なく繰り返したパターンにマッチ。	<aa>bb<cc>の場合 ①<.*> ②<.*?>	①は<aa>bb<cc>にマッチ。（できるだけ多い文字列とマッチ。） ②は<aa>にマッチ。（できるだけ少ない文字列とマッチ。）
{m}	直前のパターンをm回繰り返したパターンにマッチ。	a{3}	aaa
{m,n}	直前のパターンをmからn回できるだけ多く繰り返したパターンにマッチ。	a{3,5}	aaaaaについて、aaaaaにマッチ。
{m,n}?	直前のパターンをmからn回できるだけ少なく繰り返したパターンにマッチ。	a{3,5}?	aaaaaについて、aaaにマッチ。
|	2種類のパターンで挟み、いずれかでマッチ。	a|b	a、b

文字の種類とマッチする特殊シーケンス

主な 特殊シーケンス	説明
\d	数字にマッチ。
\D	数字以外にマッチ。
\s	空白文字列にマッチ。
\S	空白文字列以外にマッチ。
\w	英数字（大文字小文字含む）1文字及び「_」にマッチ。
\W	英数字及び「_」を除く文字にマッチ。

reモジュール

Pythonでは、正規表現を利用するために「reモジュール」が用意されています。

正規表現オブジェクトの生成

reモジュールの「compile()関数」を使用することで、「正規表現オブジェクト」を生成することができます。

フラグを指定することで、より詳細な検索を指定することができます。

フラグはreモジュールの属性のため、「re.I」のように指定します。また、複数のフラグを指定する場合は「|」を使い、「re.I | re.M」のように指定します。

主なフラグ	説明
I (IGNORECASE)	英字の大文字小文字を区別しない。
M (MULTILINE)	改行を考慮する。行の先頭と末尾を見る。メタ文字の「^」と「$」に影響がある。
S (DOTALL)	メタ文字の「.」に改行も含むようにする。
A (ASCII)	特殊シーケンスでASCII文字のみマッチするようにする。
L (LOCALE)	特殊シーケンスでロケール（文化によって異なる単位や表記）に従ってマッチするようにする。

正規表現オブジェクトのメソッドを使用することで、対象とする文字列とマッチした文字列を得ることができます。以下、正規表現オブジェクトを「regex」と表現します。

import re

url_str = "abcd.com efg.net hijk.com lmnop.com qrs.net tuv.com wxyz.xyz"

pattern = r"[a-z]+\.com"  # この「.」はメタ文字ではなためエスケープします。
regex = re.compile(pattern)

print(regex.findall(url_str))
print(regex.split(url_str))  # 先頭または末尾でマッチする場合、リストの先頭または末尾に空文字の要素が含まれます。
print(regex.sub("match", url_str))


# 実行結果
['abcd.com', 'hijk.com', 'lmnop.com', 'tuv.com']
['', ' efg.net ', ' ', ' qrs.net ', ' wxyz.xyz']
match efg.net match match qrs.net match wxyz.xyz

マッチオブジェクトの生成

正規表現オブジェクトから「マッチオブジェクト」を生成し、マッチオブジェクトのメソッドや変数を使用することで、より詳細な情報を得ることができます。

マッチオブジェクトのメソッド

主な メソッド	説明
group()	マッチした文字列を返す。引数に1以上の整数を与えると、パターン文字列の()でグループ化した位置を指定できる。複数指定するとグループのタプルが取得できる。
groups()	マッチした文字列をグループ毎にタプルで返す。
start()	検索結果の開始位置を対象文字列のインデックスで返す。引数に1以上の整数を与えると、そのグループの開始位置を取得できる。
end()	検索結果の終了位置を対象文字列のインデックスで返す。引数に1以上の整数を与えると、そのグループの終了位置を取得できる。

マッチオブジェクトの変数

主な変数	説明
re	正規表現オブジェクトを取得できる。
string	対象文字列を取得できる。

import re

url_str = "abcd/efgh.com"

pattern = r"([a-z]+)/([a-z]+)\.com"
regex = re.compile(pattern)
m = regex.search(url_str)

print(m.groups())
print(m.group(1))
print(m.re)
print(m.string)


# 実行結果
('abcd', 'efgh')
abcd
re.compile('([a-z]+)/([a-z]+)\\.com')
abcd/efgh.com

 

import re

url_str = "abcd.com efg.net hijk.com lmnop.com qrs.net tuv.com wxyz.xyz"

pattern = r"[a-z]+\.com"
regex = re.compile(pattern)

m = regex.finditer(url_str)
print(next(m))
print(next(m))


# 実行結果
<re.Match object; span=(0, 8), match='abcd.com'>
<re.Match object; span=(17, 25), match='hijk.com'>

reモジュール関数による処理

reモジュールには、パターン文字列を直接引数に設定することで、マッチする文字列を検索できる関数が用意されています。

正規表現オブジェクトで説明した各メソッドと同名の関数が定義されており、「re.関数名()」で呼び出し、第1引数にパターン文字列を指定することで、正規表現オブジェクトを使用した場合と同じ結果を得ることができます。