draft/man7/regex.7

   1 .ie  t .ds dg \(dg
   2 .el .ds dg (!)
   3 .\" From Henry Spencer's regex package (as found in the apache
   4 .\" distribution). The package carries the following copyright:
   5 .\"
   6 .\"  Copyright 1992, 1993, 1994 Henry Spencer.  All rights reserved.
   7 .\" %%%LICENSE_START(MISC)
   8 .\"  This software is not subject to any license of the American Telephone
   9 .\"  and Telegraph Company or of the Regents of the University of California.
  10 .\"
  11 .\"  Permission is granted to anyone to use this software for any purpose
  12 .\"  on any computer system, and to alter it and redistribute it, subject
  13 .\"  to the following restrictions:
  14 .\"
  15 .\"  1. The author is not responsible for the consequences of use of this
  16 .\"     software, no matter how awful, even if they arise from flaws in it.
  17 .\"
  18 .\"  2. The origin of this software must not be misrepresented, either by
  19 .\"     explicit claim or by omission.  Since few users ever read sources,
  20 .\"     credits must appear in the documentation.
  21 .\"
  22 .\"  3. Altered versions must be plainly marked as such, and must not be
  23 .\"     misrepresented as being the original software.  Since few users
  24 .\"     ever read sources, credits must appear in the documentation.
  25 .\"
  26 .\"  4. This notice may not be removed or altered.
  27 .\" %%%LICENSE_END
  28 .\"
  29 .\" In order to comply with `credits must appear in the documentation'
  30 .\" I added an AUTHOR paragraph below - aeb.
  31 .\"
  32 .\" In the default nroff environment there is no dagger \(dg.
  33 .\"
  34 .\" 2005-05-11 Removed discussion of `[[:<:]]' and `[[:>:]]', which
  35 .\"     appear not to be in the glibc implementation of regcomp
  36 .\"
  37 .\"*******************************************************************
  38 .\"
  39 .\" This file was generated with po4a. Translate the source file.
  40 .\"
  41 .\"*******************************************************************
  42 .TH REGEX 7 2009\-01\-12 "" "Linux Programmer's Manual"
  43 .SH 名前
  44 regex \- POSIX.2 正規表現
  45 .SH 説明
  46 正規表現 (Regular expression: RE) は POSIX.2 で定義されており、 二つの形式がある。新しい正規表現 (modern
  47 RE) と古い正規表現 (obsolete RE)  である。新しい正規表現はだいたい \fIegrep\fP のものと同じで、 POSIX.2
  48 では「拡張」正規表現 ("extended" RE)  と呼ばれている。古い正規表現はだいたい \fBed\fP(1)  のものと同じで、 POSIX.2
  49 では「基本」正規表現 ("basic" RE) である。 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。
  50 これについては最後に議論する。 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。 "\*(dg"
  51 は、このような意味で、他の POSIX.2 の実装と 完全には互換でないかも知れない部分である。
  52 .PP
  53 (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。 枝どうしは \(aq|\(aq
  54 で区切られる。正規表現は、 枝のどれかにマッチ (match) したものにマッチする。
  55 .PP
  56 枝は一つ以上の文節 (piece) が結合されたものである。 枝は第一の文節がマッチし、 続いて第二の文節がマッチし、... したものにマッチする。
  57 .PP
  58 文節は\fIアトム (atom)\fP からなる。ただしアトムの後には一つ\*(dg の \(aq*\(aq, \(aq+\(aq, \(aq?\(aq
  59 あるいは \fI繰り返し指定 (bound)\fP が続くこともある。 \(aq*\(aq が後置されたアトムは、マッチしたアトムの 0
  60 個以上の並びにマッチする。 \(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。 \(aq?\(aq
  61 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。
  62 .PP
  63 \fI繰り返し指定\fPとは \(aq{\(aq に続いて、符号なし 10 進整数、\(aq,\(aq、 もう一つの 10 進整数、\(aq}\(aq
  64 を並べたものである。\(aq,\(aq と二つめの 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 (最後の `}'
  65 は省略できない)。 整数は 0 以上 \fBRE_DUP_MAX\fP (255\*(dg) 以下の間で指定できる。
  66 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。 整数 \fIi\fP だけからなる繰り返し指定を後置されたアトムは、 アトムをぴったりちょうど
  67 \fIi\fP 個だけ並べたものにマッチする。 整数 \fIi\fP 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、 アトムを
  68 \fIi\fP個以上並べたものにマッチする。 整数 \fIi\fP と \fIj\fP が指定された繰り返し指定を後置されたアトムは、 アトムを \fIi\fP個以上 \fIj\fP
  69 個以下だけ並べたものにマッチする。
  70 .PP
  71 アトムの種類は以下の通り。"\fI()\fP" に囲まれた正規表現 (その正規表現がマッチする文字列にマッチする)、 中身が空の "\fI()\fP" (null
  72 文字列にマッチする)\*(dg、 \fIブラケット表現 (bracket expression\fP :後述)、 \(aq.\(aq (任意の 1
  73 文字にマッチする)、 \(aq^\(aq (行頭の空白文字にマッチする)、 \(aq$\(aq (行末の空白文字にマッチする)、 \(aq\e\(aq
  74 に "\fI^.[$()|*+?{\e\fP" のいずれか一文字を後置したもの (通常の文字として扱われ、その文字にマッチする)、 \(aq\e\(aq
  75 にそれ以外の文字を後置したもの\*(dg (\(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)、 特に意味を持たない文字一つ
  76 (その文字にマッチする)。 \(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、
  77 繰り返し指定の始まりとはされない\*(dg。\(aq\e\(aq で終わる正規表現は不正なものとみなされる。
  78 .PP
  79 \fIブラケット表現\fPは "\fI[]\fP" によって閉じられた文字のリストである。 これは通常リスト中に存在している文字にマッチする。 (例外あり、後述。)
  80 リストが \(aq^\(aq で始まると、 \fIブラケット表現\fPはリストに存在して\fIいない\fP文字一つにマッチする (例外あり、後述)。
  81 リスト中の二つの文字が \(aq\-\(aq で区切られている場合は、 これは照合順序 (collating sequence)
  82 でその二つの文字に挟まれる、 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)。 例えば "\fI[0\-9]\fP" は ASCII では 10
  83 進の数字 (digit) のいずれかにマッチする。 二つの領域指定が端点を共有してはならない\*(dg。 つまり "\fIa\-c\-e\fP"
  84 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。 したがって移植性の高いプログラムを作る場合は、 領域指定には頼らないほうが良いだろう。
  85 【\fB訳注\fP: 照合順序 (collating sequence) というのは、国際化 (Internationalization)
  86 に関連した用語です。アルファベット順に単語を並 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 吸収するための仕組みです。
  87 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 ト順が a, b, c, ch, d, e,
  88 \&... の順になるそうです。このようなシーケンス のことを collating sequence と言います。このとき `ch' という文字並びは、
  89 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、 順序付けを行う際に最小の単位となる、`a'、`b' の文字や `ch'
  90 のような特別な文字並びなど、照合順序の要素のことを collating element と言います。collating sequence
  91 は、文字単位ではなく collating element を単位として定義されます。】
  92 .PP
  93 文字 \(aq]\(aq そのものをリストに入れたい場合は、 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)。 文字
  94 \(aq\-\(aq そのものをリストに入れたい場合は、 最初か最後の文字とすれば良い。 あるいは領域指定の終端文字として指定しても良い。
  95 \(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、 照合順序の要素 (collating
  96 element: 後述) にすれば良い。 他の特殊文字 ( も含む) は、 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。
  97 .PP
  98 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、 その要素に対応する文字並びを表す。 「照合順序の要素」とは、
  99 [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、 [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。
 100 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。 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、
 101 したがって一文字以上にマッチすることがある。 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、 正規表現
 102 "\fI[[.ch.]]*c\fP" は "chchcc" の最初の 5 文字にマッチする。
 103 .PP
 104 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、 等価クラス (equivalence class) となる。
 105 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。 他に等価な要素がなければ、 取り扱いは "\fI[.\fP" と
 106 "\fI.]\fP" で囲まれている場合と同じである。 例えば o と ou が等価クラスのメンバーであれば、 "\fI[[=o=]]\fP",
 107 "\fI[[=\o'o^'=]]\fP", "\fI[o\o'o^']\fP" はすべて同じ意味になる。 等価クラスは領域指定の端点にはなれない\*(dg。
 108 .PP
 109 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 (character class)\fP
 110 はそのクラスに属するすべての文字のリストを表す。 標準で用意されている文字クラスの名前は以下の通り:
 111 .PP
 112 .RS
 113 .nf
 114 .ta 3c 6c 9c
 115 alnum   digit   punct
 116 alpha   graph   space
 117 blank   lower   upper
 118 cntrl   print   xdigit
 119 .fi
 120 .RE
 121 .PP
 122 .\" As per http://bugs.debian.org/cgi-bin/bugreport.cgi?bug=295666
 123 .\" The following does not seem to apply in the glibc implementation
 124 .\" .PP
 125 .\" There are two special cases\*(dg of bracket expressions:
 126 .\" the bracket expressions "\fI[[:<:]]\fP" and "\fI[[:>:]]\fP" match
 127 .\" the null string at the beginning and end of a word respectively.
 128 .\" A word is defined as a sequence of
 129 .\" word characters
 130 .\" which is neither preceded nor followed by
 131 .\" word characters.
 132 .\" A word character is an
 133 .\" .I alnum
 134 .\" character (as defined by
 135 .\" .BR wctype (3))
 136 .\" or an underscore.
 137 .\" This is an extension,
 138 .\" compatible with but not specified by POSIX.2,
 139 .\" and should be used with
 140 .\" caution in software intended to be portable to other systems.
 141 これらは \fBwctype\fP(3)  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、
 142 これら以外のクラスが定義されることもある。 文字クラスは領域指定の端点にはなれない。
 143 .PP
 144 正規表現が、与えられた文字列の複数の部分文字列 (substring) にマッチできるような場合には、 最も先頭の近くから始まるものにマッチする。
 145 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、 最長のものにマッチする。 部分正規表現 (subexpression)
 146 も最も長い部分文字列にマッチする。 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。
 147 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。 ただし、より高位の部分正規表現は、
 148 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。
 149 .PP
 150 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。 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。 例えば
 151 "\fIbb*\fP" は "abbbc" のまん中の 3 文字にマッチする。 "\fI(wee|week)(knights|nights)\fP" は
 152 "weeknights" の全体にマッチする。 "\fI(.*).*\fP" を "abc" にマッチさせると、 括弧の内部の部分正規表現が 3
 153 文字すべてにマッチする。 "\fI(a*)*\fP" を "bc" にマッチさせると、正規表現全体も、 括弧で括られた部分正規表現も null
 154 文字列にマッチする。
 155 .PP
 156 マッチが大文字・小文字を無視するように指定されると、 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。
 157 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 通常の文字として現れると、 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。
 158 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、
 159 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。 すなわち "\fI[x]\fP" は "\fI[xX]\fP" に、"\fI[^x]\fP" は
 160 "\fI[^xX]\fP" になる。
 161 .PP
 162 正規表現の長さには特に制限はない\*(dg。 ただし移植性を高くしたいプログラムでは、 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。
 163 なぜなら、そのような正規表現を拒否し、 しかも POSIX 互換を保つような実装が可能だからである。
 164 .PP
 165 古い ("基本") 正規表現は、いくつかの点において異なる。 \(aq|\(aq, \(aq+\(aq, and \(aq?\(aq
 166 は通常の文字となる。 対応する機能は存在しない。繰り返し指定の区切りは "\fI\e{\fP" および "\fI\e}\fP" となる。\(aq{\(aq と
 167 \(aq}\(aq は、 単独では通常の文字として扱われる。 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、
 168 \(aq(\(aq と \(aq)\(aq は単独では通常の文字となる。 \(aq^\(aq は正規表現の先頭か、
 169 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。 \(aq$\(aq は正規表現の末尾か、
 170 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。 \(aq*\(aq は、正規表現の先頭か、
 171 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 (\(aq^\(aq) が前置されていてもよい)。
 172 .PP
 173 最後に、アトムとして別のタイプが存在する。 \fI後方参照 (back reference)\fP である。 \(aq\e\(aq の後に 0 でない 10
 174 進数値文字 \fId\fP が続くと、 括弧でくくられた部分正規表現の \fId\fP 番目にマッチした文字並びと同じものにマッチする。
 175 (部分正規表現の番号付けは、 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。)  したがって "\fI\e([bc]\e)\e1\fP"
 176 は "bb" または "cc" にはマッチするが、"bc" にはマッチしない。
 177 .SH バグ
 178 正規表現が 2 種類あるのは格好悪い。
 179 .PP
 180 現在の POSIX.2 規格においては、\(aq)\(aq は、 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。
 181 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、 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。
 182 .PP
 183 後方参照はひどく出来の悪い代物である。 効率の良い実装をするのはとても難しい。 また定義があいまいである。
 184 ("\fIa\e(\e(b\e)*\e2\e)*d\fP" は "abbbd" にマッチすると思うか？)  使わないほうが良い。
 185 .PP
 186 .\" As per http://bugs.debian.org/cgi-bin/bugreport.cgi?bug=295666
 187 .\" The following does not seem to apply in the glibc implementation
 188 .\" .PP
 189 .\" The syntax for word boundaries is incredibly ugly.
 190 POSIX.2 の規格では、case (大文字か小文字か)  に依存しないマッチの記述があいまいである。 現在のところでは「一つの case がすべての
 191 case を意味する」 という上記の定義が正しい解釈であるというのが、 実装者の間での共通認識のようである。
 192 .SH 著者
 193 .\" Sigh... The page license means we must have the author's name
 194 .\" in the formatted output.
 195 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。
 196 .SH 関連項目
 197 \fBgrep\fP(1), \fBregex\fP(3)
 198 .PP
 199 POSIX.2, section 2.8 (Regular Expression Notation).
 200 .SH この文書について
 201 この man ページは Linux \fIman\-pages\fP プロジェクトのリリース 3.50 の一部
 202 である。プロジェクトの説明とバグ報告に関する情報は
 203 http://www.kernel.org/doc/man\-pages/ に書かれている。