manual/LDP_man-pages/release/man7/regex.7

   1 .\" From Henry Spencer's regex package (as found in the apache
   2 .\" distribution). The package carries the following copyright:
   3 .\"
   4 .\"  Copyright 1992, 1993, 1994 Henry Spencer.  All rights reserved.
   5 .\"  This software is not subject to any license of the American Telephone
   6 .\"  and Telegraph Company or of the Regents of the University of California.
   7 .\"
   8 .\"  Permission is granted to anyone to use this software for any purpose
   9 .\"  on any computer system, and to alter it and redistribute it, subject
  10 .\"  to the following restrictions:
  11 .\"
  12 .\"  1. The author is not responsible for the consequences of use of this
  13 .\"     software, no matter how awful, even if they arise from flaws in it.
  14 .\"
  15 .\"  2. The origin of this software must not be misrepresented, either by
  16 .\"     explicit claim or by omission.  Since few users ever read sources,
  17 .\"     credits must appear in the documentation.
  18 .\"
  19 .\"  3. Altered versions must be plainly marked as such, and must not be
  20 .\"     misrepresented as being the original software.  Since few users
  21 .\"     ever read sources, credits must appear in the documentation.
  22 .\"
  23 .\"  4. This notice may not be removed or altered.
  24 .\"
  25 .\" In order to comply with `credits must appear in the documentation'
  26 .\" I added an AUTHOR paragraph below - aeb.
  27 .\"
  28 .\" In the default nroff environment there is no dagger \(dg.
  29 .\"
  30 .\" 2005-05-11 Removed discussion of `[[:<:]]' and `[[:>:]]', which
  31 .\"     appear not to be in the glibc implementation of regcomp
  32 .\"
  33 .ie t .ds dg \(dg
  34 .el .ds dg (!)
  35 .\"
  36 .\" Japanese Version Copyright (c) 1998 NAKANO Takeo all rights reserved.
  37 .\" Translated Wed 8 Jul 1998 by NAKANO Takeo <nakano@apm.seikei.ac.jp>
  38 .\"
  39 .\"WORD:        regular expression      正規表現
  40 .\"WORD:        modern RE               新しい正規表現
  41 .\"WORD:        obsolete RE             古い正規表現
  42 .\"WORD:        basic RE                基本正規表現
  43 .\"WORD:        extended RE             拡張正規表現
  44 .\"WORD:        branch                  枝
  45 .\"WORD:        piece                   文節
  46 .\"WORD:        atom                    アトム
  47 .\"WORD:        bound                   繰り返し指定
  48 .\"WORD:        bracket expression      ブラケット表現
  49 .\"WORD:        digit                   数字
  50 .\"WORD:        collating sequence      照合順序
  51 .\"WORD:        collating element       照合順序の要素
  52 .\"WORD:        character class         文字クラス
  53 .\"WORD:        equivalent class        等価クラス
  54 .\"WORD:        substring               部分文字列
  55 .\"WORD:        subexpression           部分正規表現
  56 .\"
  57 .TH REGEX 7 2009-01-12 "" "Linux Programmer's Manual"
  58 .SH 名前
  59 regex \- POSIX.2 正規表現
  60 .SH 説明
  61 正規表現 (Regular expression: RE) は POSIX.2 で定義されており、
  62 二つの形式がある。新しい正規表現 (modern RE) と古い正規表現 (obsolete RE)
  63 である。新しい正規表現はだいたい
  64 .I egrep
  65 のものと同じで、 POSIX.2 では「拡張」正規表現 ("extended" RE)
  66 と呼ばれている。古い正規表現はだいたい
  67 .BR ed (1)
  68 のものと同じで、 POSIX.2 では「基本」正規表現 ("basic" RE) である。
  69 古い正規表現は、古いプログラムとの互換性を保つためのものである。
  70 これについては最後に議論する。
  71 POSIX.2 では、正規表現の文法や記号の一部が、未定義のまま残されている。
  72 "\*(dg" は、このような意味で、他の POSIX.2 の実装と
  73 完全には互換でないかも知れない部分である。
  74 .PP
  75 (新しい) 正規表現は一つ以上\*(dg の空白でない \fI枝 (branch)\fP からなる。
  76 枝どうしは \(aq|\(aq で区切られる。正規表現は、
  77 枝のどれかにマッチ (match) したものにマッチする。
  78 .PP
  79 枝は一つ以上の文節 (piece) が結合されたものである。
  80 枝は第一の文節がマッチし、
  81 続いて第二の文節がマッチし、... したものにマッチする。
  82 .PP
  83 文節は\fIアトム (atom)\fR からなる。ただしアトムの後には一つ\*(dg の \(aq*\(aq,
  84 \(aq+\(aq, \(aq?\(aq あるいは \fI繰り返し指定 (bound)\fR が続くこともある。
  85 \(aq*\(aq が後置されたアトムは、マッチしたアトムの 0 個以上の並びにマッチする。
  86 \(aq+\(aq が後置されたアトムは、マッチしたアトムの 1 個以上の並びにマッチする。
  87 \(aq?\(aq が後置されたアトムは、マッチしたアトムの 0 個または 1 個にマッチする。
  88 .PP
  89 \fI繰り返し指定\fRとは \(aq{\(aq に続いて、符号なし 10 進整数、\(aq,\(aq、
  90 もう一つの 10 進整数、\(aq}\(aq を並べたものである。\(aq,\(aq と二つめの
  91 10 進整数は省略できる。二つめの 10 進整数だけを省略することもできる
  92 (最後の `}' は省略できない)。
  93 整数は 0 以上
  94 .B RE_DUP_MAX
  95 (255\*(dg) 以下の間で指定できる。
  96 二つ指定する場合には、最初の数値は後の数値を越えてはならない。
  97 整数 \fIi\fR だけからなる繰り返し指定を後置されたアトムは、
  98 アトムをぴったりちょうど \fIi\fR 個だけ並べたものにマッチする。
  99 整数 \fIi\fR とコンマが指定された繰り返し指定を後置されたアトムは、
 100 アトムを \fIi\fR個以上並べたものにマッチする。
 101 整数 \fIi\fR と \fIj\fR が指定された繰り返し指定を後置されたアトムは、
 102 アトムを \fIi\fR個以上 \fIj\fR 個以下だけ並べたものにマッチする。
 103 .PP
 104 アトムの種類は以下の通り。"\fI()\fP" に囲まれた正規表現
 105 (その正規表現がマッチする文字列にマッチする)、
 106 中身が空の "\fI()\fP" (null 文字列にマッチする)\*(dg、
 107 \fIブラケット表現 (bracket expression\fR :後述)、
 108 \(aq.\(aq (任意の 1 文字にマッチする)、
 109 \(aq^\(aq (行頭の空白文字にマッチする)、
 110 \(aq$\(aq (行末の空白文字にマッチする)、
 111 \(aq\e\(aq に "\fI^.[$()|*+?{\e\fP" のいずれか一文字を後置したもの
 112 (通常の文字として扱われ、その文字にマッチする)、
 113 \(aq\e\(aq にそれ以外の文字を後置したもの\*(dg
 114 (\(aq\e\(aq がない場合と同じように、その文字にマッチする\*(dg)、
 115 特に意味を持たない文字一つ (その文字にマッチする)。
 116 \(aq{\(aq は数字以外の文字が後置されると通常の文字として扱われ、
 117 繰り返し指定の始まりとはされない\*(dg。\(aq\e\(aq
 118 で終わる正規表現は不正なものとみなされる。
 119 .PP
 120 \fIブラケット表現\fRは "\fI[]\fP" によって閉じられた文字のリストである。
 121 これは通常リスト中に存在している文字にマッチする。
 122 (例外あり、後述。) リストが \(aq^\(aq で始まると、
 123 \fIブラケット表現\fRはリストに存在して\fIいない\fR文字一つにマッチする
 124 (例外あり、後述)。 リスト中の二つの文字が \(aq\-\(aq で区切られている場合は、
 125 これは照合順序 (collating sequence) でその二つの文字に挟まれる、
 126 すべての文字の並びを短縮したものとみなされる (両端含む)。
 127 例えば "\fI[0\-9]\fP" は ASCII では 10 進の数字 (digit) のいずれかにマッチする。
 128 二つの領域指定が端点を共有してはならない\*(dg。
 129 つまり "\fIa-c-e\fP" のようなものは不正である。領域指定は照合順序に強く依存する。
 130 したがって移植性の高いプログラムを作る場合は、
 131 領域指定には頼らないほうが良いだろう。
 132 .PP
 133 【訳注: 照合順序 (collating sequence) というのは、国際化
 134 (Internationalization) に関連した用語です。アルファベット順に単語を並
 135 べる際には、言語によって並べる基準が異なります。照合順序は、その差異を
 136 吸収するための仕組みです。
 137 .PP
 138 例えば、スペイン語では ch という文字並びを特別扱いするため、アルファベッ
 139 ト順が a, b, c, ch, d, e, ... の順になるそうです。このようなシーケンス
 140 のことを collating sequence と言います。このとき `ch' という文字並びは、
 141 単語整列の際にあたかも「一文字」のように扱われます。ここで、
 142 順序付けを行う際に最小の単位となる、`a'、`b' の文字や
 143 `ch' のような特別な文字並びなど、照合順序の要素のことを
 144 collating element と言います。collating sequence は、文字単位ではなく
 145 collating element を単位として定義されます。】
 146 .PP
 147 文字 \(aq]\(aq そのものをリストに入れたい場合は、
 148 最初の文字として指定すれば良い (\(aq^\(aq) の後に続けるのでも良い)。
 149 文字 \(aq\-\(aq そのものをリストに入れたい場合は、
 150 最初か最後の文字とすれば良い。
 151 あるいは領域指定の終端文字として指定しても良い。
 152 \(aq\-\(aq を領域指定の先頭文字に指定するには、"\fI[.\fP" と "\fI.]\fP" で囲って、
 153 照合順序の要素 (collating element: 後述) にすれば良い。
 154 他の特殊文字 ( も含む) は、
 155 ブラケット表現の内部ではすべて通常の文字として扱われる。
 156 .PP
 157 ブラケット表現の内部では、"\fI[.\fP" と "\fI.]\fP" に囲われた照合順序の要素は、
 158 その要素に対応する文字並びを表す。
 159 「照合順序の要素」とは、
 160 [1] 文字、 [2] 単一文字のように扱われる複数文字のシーケンス、
 161 [3] 1, 2 いずれかに対応する照合順序上の名前、のいずれかである。
 162 この繰り返しは、ブラケット表現のリストにおける単一の要素となる。
 163 上記 [2] の、「複数文字からなる照合順序要素」を含むブラケット表現は、
 164 したがって一文字以上にマッチすることがある。
 165 例えば、もし照合順序が "ch" という要素を含んでいる場合には、
 166 正規表現 "\fI[[.ch.]]*c\fP" は "chchcc" の最初の 5 文字にマッチする。
 167 .PP
 168 ブラケット表現の内部では、"\fI[=\fP" と "\fI=]\fP" に囲まれた照合順序の要素は、
 169 等価クラス (equivalence class) となる。
 170 これは、その要素と等価な要素すべてからなる文字シーケンス (自身も含む) を表す。
 171 他に等価な要素がなければ、
 172 取り扱いは "\fI[.\fP" と "\fI.]\fP" で囲まれている場合と同じである。
 173 例えば o と ou が等価クラスのメンバーであれば、
 174 "\fI[[=o=]]\fP", "\fI[[=\o'o^'=]]\fP", "\fI[o\o'o^']\fP" はすべて同じ意味になる。
 175 等価クラスは領域指定の端点にはなれない\*(dg。
 176 .\" nippon 端末では \o'o^' が正しく出ないので、例示を変更しました。
 177 .PP
 178 ブラケット表現の内部では、"\fI[:\fP" と "\fI:]\fP" で囲われた\fI文字クラス
 179 (character class)\fR はそのクラスに属するすべての文字のリストを表す。
 180 標準で用意されている文字クラスの名前は以下の通り:
 181 .PP
 182 .RS
 183 .nf
 184 .ta 3c 6c 9c
 185 alnum   digit   punct
 186 alpha   graph   space
 187 blank   lower   upper
 188 cntrl   print   xdigit
 189 .fi
 190 .RE
 191 .PP
 192 これらは
 193 .BR wctype (3)
 194 で定義されている文字クラスを表している。ロケール (locale) によって、
 195 これら以外のクラスが定義されることもある。
 196 文字クラスは領域指定の端点にはなれない。
 197 .\" .PP
 198 .\" http://bugs.debian.org/cgi-bin/bugreport.cgi?bug=295666 にあるように
 199 .\" 以下の記載は glibc の実装にはあてはまらないようである。
 200 .\" ブラケット表現には、特殊な意味を持つものが二つ存在する\*(dg。
 201 .\" ブラケット表現 "\fI[[:<:]]\fP" はワード (word) 先頭のヌル文字列に、
 202 .\" "\fI[[:>:]]\fP" はワード末尾のヌル文字列にそれぞれマッチする。
 203 .\" ワードとはワード文字の並びであり、
 204 .\" ワード文字が前置も後置もされていないものである。
 205 .\" ワード文字は
 206 .\" .I alnum
 207 .\" 文字
 208 .\" .RB ( wctype (3)
 209 .\" で定義されている) およびアンダースコア `_' である。
 210 .\" これは拡張記法であり、POSIX.2 に反してはいないが、
 211 .\" 定義もされていない。
 212 .\" 他のシステムと互換性を確保したいソフトウェアでは、
 213 .\" 注意して用いるようにすること。
 214 .PP
 215 正規表現が、与えられた文字列の複数の部分文字列
 216 (substring) にマッチできるような場合には、
 217 最も先頭の近くから始まるものにマッチする。
 218 その位置から始まり、正規表現がマッチできる部分文字列が複数ある場合には、
 219 最長のものにマッチする。
 220 部分正規表現 (subexpression) も最も長い部分文字列にマッチする。
 221 ただし、全体のマッチが最長であるように、という条件が優先される。
 222 正規表現の中で先に現れる部分正規表現は、後に現れるものより優先される。
 223 ただし、より高位の部分正規表現は、
 224 それを構成する低位の部分正規表現よりも優先されることに注意すること。
 225 .PP
 226 マッチ長は照合順序の要素ではなく、文字数を単位としてカウントされる。
 227 null 文字列は、全くマッチしなかった場合よりも長いとみなされる。
 228 例えば "\fIbb*\fP" は "abbbc" のまん中の 3 文字にマッチする。
 229 "\fI(wee|week)(knights|nights)\fP" は "weeknights" の全体にマッチする。
 230 "\fI(.*).*\fP" を "abc" にマッチさせると、
 231 括弧の内部の部分正規表現が 3 文字すべてにマッチする。
 232 "\fI(a*)*\fP" を "bc" にマッチさせると、正規表現全体も、
 233 括弧で括られた部分正規表現も null 文字列にマッチする。
 234 .PP
 235 マッチが大文字・小文字を無視するように指定されると、
 236 アルファベット全体から大小文字の区別が無くなったかのような効果となる。
 237 大文字・小文字を持つアルファベットがブラケット表現の外部で
 238 通常の文字として現れると、
 239 これは実効的に大小両方の文字のブラケット表現のように変換される。
 240 すなわち \(aqx\(aq は "\fI[xX]\fP" となる。ブラケット表現の内部に現れると、
 241 大文字なら小文字が、小文字なら大文字がそのブラケット表現に加えられる。
 242 すなわち
 243 "\fI[x]\fP" は "\fI[xX]\fP" に、"\fI[^x]\fP" は "\fI[^xX]\fP" になる。
 244 .PP
 245 正規表現の長さには特に制限はない\*(dg。
 246 ただし移植性を高くしたいプログラムでは、
 247 256 バイトより長い正規表現は実行しないようにするほうが良い。
 248 なぜなら、そのような正規表現を拒否し、
 249 しかも POSIX 互換を保つような実装が可能だからである。
 250 .PP
 251 古い ("基本") 正規表現は、いくつかの点において異なる。
 252 \(aq|\(aq, \(aq+\(aq, and \(aq?\(aq は通常の文字となる。
 253 対応する機能は存在しない。繰り返し指定の区切りは
 254 "\fI\e{\fP" および "\fI\e}\fP" となる。\(aq{\(aq と \(aq}\(aq は、
 255 単独では通常の文字として扱われる。
 256 部分正規表現をネストする括弧は "\fI\e(\fP" および "\fI\e)\fP" となり、
 257 \(aq(\(aq と \(aq)\(aq は単独では通常の文字となる。
 258 \(aq^\(aq は正規表現の先頭か、
 259 括弧でくくられた部分表現の先頭\*(dgを除いて通常の文字となる。
 260 \(aq$\(aq は正規表現の末尾か、
 261 括弧でくくられた部分正規表現の末尾\*(dgを除いて通常の文字となる。
 262 \(aq*\(aq は、正規表現の先頭か、
 263 括弧でくくられた部分文字列の先頭に置かれた場合は通常の文字となる
 264 (\(aq^\(aq) が前置されていてもよい)。
 265 .PP
 266 最後に、アトムとして別のタイプが存在する。
 267 \fI後方参照 (back reference)\fR である。
 268 \(aq\e\(aq の後に 0 でない 10 進数値文字 \fId\fR が続くと、
 269 括弧でくくられた部分正規表現の
 270 \fId\fR 番目にマッチした文字並びと同じものにマッチする。
 271 (部分正規表現の番号付けは、
 272 開き括弧 `(' の位置が左のものから右のものへ向かってなされる。)
 273 したがって "\fI\e([bc]\e)\e1\fP" は
 274 "bb" または "cc" にはマッチするが、"bc" にはマッチしない。
 275 .SH バグ
 276 正規表現が 2 種類あるのは格好悪い。
 277 .PP
 278 現在の POSIX.2 規格においては、\(aq)\(aq は、
 279 対応する \(aq(\(aq がない場合には通常の文字として扱われることになっている。
 280 しかしこれは、本来の意図とは異なる記述上のエラーであり、
 281 修正される可能性が高い。これに依存したコードは使わないこと。
 282 .PP
 283 後方参照はひどく出来の悪い代物である。
 284 効率の良い実装をするのはとても難しい。
 285 また定義があいまいである。
 286 ("\fIa\e(\e(b\e)*\e2\e)*d\fP" は "abbbd" にマッチすると思うか？)
 287 使わないほうが良い。
 288 .PP
 289 POSIX.2 の規格では、case (大文字か小文字か)
 290 に依存しないマッチの記述があいまいである。
 291 現在のところでは「一つの case がすべての case を意味する」
 292 という上記の定義が正しい解釈であるというのが、
 293 実装者の間での共通認識のようである。
 294 .\" As per http://bugs.debian.org/cgi-bin/bugreport.cgi?bug=295666
 295 .\" The following does not seem to apply in the glibc implementation
 296 .\" .PP
 297 .\" ワード境界に関する文法定義が非常に醜い。
 298 .SH 著者
 299 .\" Sigh... The page license means we must have the author's name
 300 .\" in the formatted output.
 301 このページは Henry Spencer の regex パッケージから採録したものである。
 302 .SH 関連項目
 303 .BR grep (1),
 304 .BR regex (3)
 305 .PP
 306 POSIX.2, section 2.8 (Regular Expression Notation).