=encoding euc-jp =head1 NAME =begin original perlretut - Perl regular expressions tutorial =end original perlretut - Perl の正規表現のチュートリアル =head1 DESCRIPTION =begin original This page provides a basic tutorial on understanding, creating and using regular expressions in Perl. It serves as a complement to the reference page on regular expressions L. Regular expressions are an integral part of the C, C, C and C operators and so this tutorial also overlaps with L and L. =end original このページでは Perl の正規表現(regular expressions)を理解し、作成し、 使用するための基本的なチュートリアルを提供します。 詳細は正規表現のリファレンスページである L にあります。 正規表現は演算子 C、C、C、C の一部分であり、 本チュートリアルでは L や L と重複する部分があります。 =begin original Perl is widely renowned for excellence in text processing, and regular expressions are one of the big factors behind this fame. Perl regular expressions display an efficiency and flexibility unknown in most other computer languages. Mastering even the basics of regular expressions will allow you to manipulate text with surprising ease. =end original Perl はテキスト処理のための優れた道具であると広く知られていて、 正規表現はこの名声の大きな部分です。 Perl の正規表現は他の大部分の言語で知られていない効率性や融通性を 明らかにします。 正規表現の基本的な部分をマスターすることによってさえ驚くほど簡単に テキストを操作することができるようになるでしょう。 =begin original What is a regular expression? At its most basic, a regular expression is a template that is used to determine if a string has certain characteristics. The string is most often some text, such as a line, sentence, web page, or even a whole book, but less commonly it could be some binary data as well. Suppose we want to determine if the text in variable, C<$var> contains the sequence of characters S> (blanks added for legibility). We can write in Perl =end original 正規表現とは何でしょうか? 最も基本的な意味では、正規表現とは文字列がある特徴を持っているかを 決定するために使われるテンプレートです。 文字列はほとんどの場合、行、文、web ページ、あるいは本全体のようななんらかの テキストですが、まれに任意のバイナリの場合もあります。 変数 C<$var> に入っているテキストが文字並び S> (空白は読みやすさのために追加しています)を 含んでいるかどうかを調べたいとします。 Perl では次のように書けます: $var =~ m/mushroom/ =begin original The value of this expression will be TRUE if C<$var> contains that sequence of characters, and FALSE otherwise. The portion enclosed in C<'E'> characters denotes the characteristic we are looking for. We use the term I for it. The process of looking to see if the pattern occurs in the string is called I, and the C<"=~"> operator along with the C tell Perl to try to match the pattern against the string. Note that the pattern is also a string, but a very special kind of one, as we will see. Patterns are in common use these days; examples are the patterns typed into a search engine to find web pages and the patterns used to list files in a directory, I, "C" or "C". In Perl, the patterns described by regular expressions are used not only to search strings, but to also extract desired parts of strings, and to do search and replace operations. =end original この式の値は、C<$var> がこの文字並びを含んでいるなら真に、さもなければ 偽になります。 C<'E'> 文字で囲まれた部分は、探している特徴を意味しています。 これを I<パターン> (pattern) と呼びます。 パターンが文字列の中にあるかどうかを探す処理を I<マッチング> (matching) と よび、 C と共に C<"=~"> 演算子が使われると、Perl は文字列に対してパターンを マッチングします。 パターンも文字列ですが、既に見られたとおり、とても特殊な種類であることに 注意してください。 パターンは今日広く使われています; たとえば、ウェブページを見つけ出すために 検索エンジンにタイプしたり、ディレクトリの中のファイルを リストアップするために "C" とか "C" としたりします。 Perl では、パターンは正規表現によって記述され、文字列を探しだすだけでなく、 文字列の望みの部分を取り出したり、検索と置換の操作をするためにも使われます。 =begin original Regular expressions have the undeserved reputation of being abstract and difficult to understand. This really stems simply because the notation used to express them tends to be terse and dense, and not because of inherent complexity. We recommend using the C regular expression modifier (described below) along with plenty of white space to make them less dense, and easier to read. Regular expressions are constructed using simple concepts like conditionals and loops and are no more difficult to understand than the corresponding C conditionals and C loops in the Perl language itself. =end original 正規表現には抽象的で理解するのが難しいという不適切な悪名があります。 これは本当は単に表現に使われている記法が簡潔かつ濃密であるからであって、 本質的な複雑性によるものではありません。 パターンの密度を減らし、より読みやすくするために、 C 正規表現修飾子 (後述します) と共にたくさんの空白を使うことを 勧めます。 正規表現は条件とループのような単純なコンセプトを使って構成されていて、 Perl 自身の C であるとか C のようなそれと対応するものに比べて 難しいことはありません。 =begin original This tutorial flattens the learning curve by discussing regular expression concepts, along with their notation, one at a time and with many examples. The first part of the tutorial will progress from the simplest word searches to the basic regular expression concepts. If you master the first part, you will have all the tools needed to solve about 98% of your needs. The second part of the tutorial is for those comfortable with the basics and hungry for more power tools. It discusses the more advanced regular expression operators and introduces the latest cutting-edge innovations. =end original 本チュートリアルでは表記に関して一度に一つずつ、そして例を多く挙げて 正規表現のコンセプトを論じることによって、学習曲線を平坦化します。 本チュートリアルの最初の部分は基本的な正規表現のコンセプトのための単純な 単語検索から始まります。 最初の部分をマスターすれば、必要とすることの 98% を解決するのに必要な ツールを得ることになるでしょう。 本チュートリアルの二番目の部分はより強力なツールのために十分なものです。 そこではより高度な正規表現演算子について論じ、最新の機能を紹介します。 =begin original A note: to save time, "regular expression" is often abbreviated as regexp or regex. Regexp is a more natural abbreviation than regex, but is harder to pronounce. The Perl pod documentation is evenly split on regexp vs regex; in Perl, there is more than one way to abbreviate it. We'll use regexp in this tutorial. =end original 注意: "regular expression" はしばしば regexp とか regex と略されます。 regexp は regex よりも自然な略称ですが発音するのが難しいです。 Perl の pod ドキュメントでは regexp と regex が混在しています; Perl では、 略するやり方は一つではないのです。 このチュートリアルでは regexp を使うことにします(訳注: 日本語では 「正規表現」と記します)。 =begin original New in v5.22, L|re/'strict' mode> applies stricter rules than otherwise when compiling regular expression patterns. It can find things that, while legal, may not be what you intended. =end original L|re/'strict' mode> は v5.22 からの新機能で、正規表現 パターンをコンパイルするときに他よりもより厳密な規則を適用します。 これにより、有効ではあるけれども、意図しているものと違うかも知れないものを 見つけることができます。 =head1 Part 1: The basics (パート 1: 基本) =head2 Simple word matching (単純な単語マッチング) =begin original The simplest regexp is simply a word, or more generally, a string of characters. A regexp consisting of just a word matches any string that contains that word: =end original 最も単純な正規表現は単なる単語、より一般的には文字の並びです。 正規表現は単語を構成する任意の文字列にマッチングする単なる単語からなります: "Hello World" =~ /World/; # matches =begin original What is this Perl statement all about? C<"Hello World"> is a simple double-quoted string. C is the regular expression and the C enclosing C tells Perl to search a string for a match. The operator C<=~> associates the string with the regexp match and produces a true value if the regexp matched, or false if the regexp did not match. In our case, C matches the second word in C<"Hello World">, so the expression is true. Expressions like this are useful in conditionals: =end original この Perl の文が行っていることは何でしょう? C<"Hello World"> は単純な、ダブルクォートで囲まれた文字列です。 C は正規表現であり、 C で囲まれた C は Perl に対してマッチングのために文字列を検索することを指示します。 C<=~> という演算子は正規表現にマッチングする文字列に結び付けられ、 正規表現がマッチングすれば真の値を生成し、マッチングしなければ偽となります。 この例では、C は C<"Hello World"> の二番目の単語にマッチングするので、 式は真となります。 このような式は条件文に使うにも便利です: if ("Hello World" =~ /World/) { print "It matches\n"; } else { print "It doesn't match\n"; } =begin original There are useful variations on this theme. The sense of the match can be reversed by using the C operator: =end original 便利なバリエーションもあります。 マッチングの成否の意味を反転する演算子 C があります: if ("Hello World" !~ /World/) { print "It doesn't match\n"; } else { print "It matches\n"; } =begin original The literal string in the regexp can be replaced by a variable: =end original 正規表現中のリテラル文字列は変数に置き換えることができます: my $greeting = "World"; if ("Hello World" =~ /$greeting/) { print "It matches\n"; } else { print "It doesn't match\n"; } =begin original If you're matching against the special default variable C<$_>, the C<$_ =~> part can be omitted: =end original 特殊デフォルト変数 C<$_> に対してマッチングを行う場合、C<$_ =~> の 部分は省略できます: $_ = "Hello World"; if (/World/) { print "It matches\n"; } else { print "It doesn't match\n"; } =begin original And finally, the C default delimiters for a match can be changed to arbitrary delimiters by putting an C<'m'> out front: =end original 最後に、マッチングのための C のデフォルトデリミタは C<'m'> を 前置することにより任意のものにすることができます: =begin original "Hello World" =~ m!World!; # matches, delimited by '!' "Hello World" =~ m{World}; # matches, note the matching '{}' "/usr/bin/perl" =~ m"/perl"; # matches after '/usr/bin', # '/' becomes an ordinary char =end original "Hello World" =~ m!World!; # マッチングする; デリミタは '!' "Hello World" =~ m{World}; # マッチングする; 組になっている '{}' に注意 "/usr/bin/perl" =~ m"/perl"; # 'usr/bin' の後にマッチングする # '/' は普通の文字になっている =begin original C, C, and C all represent the same thing. When, I, the quote (C<'"'>) is used as a delimiter, the forward slash C<'/'> becomes an ordinary character and can be used in this regexp without trouble. =end original C, C, C はすべて同じものを表しています。 例えば C<'"'> をデリミタとして使ったとき、スラッシュ C<'/'> は 通常の文字となり、トラブルなしに正規表現中で使うことができます。 =begin original Let's consider how different regexps would match C<"Hello World">: =end original 異なる正規表現がどのように C<"Hello World"> にマッチングするか 考えてみましょう: =begin original "Hello World" =~ /world/; # doesn't match "Hello World" =~ /o W/; # matches "Hello World" =~ /oW/; # doesn't match "Hello World" =~ /World /; # doesn't match =end original "Hello World" =~ /world/; # マッチングしない "Hello World" =~ /o W/; # マッチングする "Hello World" =~ /oW/; # マッチングしない "Hello World" =~ /World /; # マッチングしない =begin original The first regexp C doesn't match because regexps are case-sensitive. The second regexp matches because the substring S> occurs in the string S>. The space character C<' '> is treated like any other character in a regexp and is needed to match in this case. The lack of a space character is the reason the third regexp C<'oW'> doesn't match. The fourth regexp "C" doesn't match because there is a space at the end of the regexp, but not at the end of the string. The lesson here is that regexps must match a part of the string I in order for the statement to be true. =end original 最初の正規表現 C はマッチングしません; なぜなら、正規表現は大文字と 小文字を区別するからです。 二番目の正規表現は S> という文字列の中に S> と いう部分があるのでマッチングします。 スペース C<' '> は正規表現の中で他の文字と同じように扱われ、この場合 マッチングするのに必要なものです。 スペースがないことが三番目の正規表現 C<'oW'> がマッチングしない理由です。 四番目の正規表現は "C" 正規表現の末尾にスペースがついているのに、 文字列の末尾にはスペースがないのでマッチングしません。 このレッスンでは正規表現は、文が真となるためには I<正確に> 順序通りに 文字列の一部としてマッチングしなければならないことを示しました。 =begin original If a regexp matches in more than one place in the string, Perl will always match at the earliest possible point in the string: =end original 正規表現が文字列の二箇所以上にマッチングするならば、Perl は常に文字列の中で 最初に現れるものをマッチングしようとします: =begin original "Hello World" =~ /o/; # matches 'o' in 'Hello' "That hat is red" =~ /hat/; # matches 'hat' in 'That' =end original "Hello World" =~ /o/; # 'Hello' の 'o' にマッチング "That hat is red" =~ /hat/; # 'That' の中の 'hat' にマッチング =begin original With respect to character matching, there are a few more points you need to know about. First of all, not all characters can be used "as is" in a match. Some characters, called I, are reserved for use in regexp notation. The metacharacters are =end original 文字マッチングに対する関心と共に、知っておくべき幾つかのポイントが あります。 まず始めに、すべての文字がマッチングにおいて「あるがまま」に 使われるのではないということです。 I<メタ文字> と呼ばれる幾つかの文字が正規表現の記述に使うために 予約されています。 メタ文字には以下のものがあります {}[]()^$.|*+?-\ =begin original The significance of each of these will be explained in the rest of the tutorial, but for now, it is important only to know that a metacharacter can be matched as-is by putting a backslash before it: =end original これらの文字のそれぞれの重要性は本チュートリアルの残りの部分で 説明されますが、今のところは、メタ文字はバックスラッシュを 前置することによってそのままの文字としてマッチングさせることができることを 知っておくことが重要です: =begin original "2+2=4" =~ /2+2/; # doesn't match, + is a metacharacter "2+2=4" =~ /2\+2/; # matches, \+ is treated like an ordinary + "The interval is [0,1)." =~ /[0,1)./ # is a syntax error! "The interval is [0,1)." =~ /\[0,1\)\./ # matches "#!/usr/bin/perl" =~ /#!\/usr\/bin\/perl/; # matches =end original "2+2=4" =~ /2+2/; # マッチングしない; + はメタ文字 "2+2=4" =~ /2\+2/; # マッチングする; \+ は普通の + のように扱われる "The interval is [0,1)." =~ /[0,1)./ # これは文法エラー! "The interval is [0,1)." =~ /\[0,1\)\./ # マッチングする "#!/usr/bin/perl" =~ /#!\/usr\/bin\/perl/; # マッチングする =begin original In the last regexp, the forward slash C<'/'> is also backslashed, because it is used to delimit the regexp. This can lead to LTS (leaning toothpick syndrome), however, and it is often more readable to change delimiters. =end original 最後の正規表現では、スラッシュ C<'/'> もまたバックスラッシュが つけられています; なぜなら、それが正規表現のデリミタとして使われているからです。 これは LTS(leaning toothpick syndrome つまようじ大好き症候群)を 招きがちですが、読みやすくするためにデリミタを変更することが しばしばあります。 =begin original "#!/usr/bin/perl" =~ m!#\!/usr/bin/perl!; # easier to read =end original "#!/usr/bin/perl" =~ m!#\!/usr/bin/perl!; # より読みやすい =begin original The backslash character C<'\'> is a metacharacter itself and needs to be backslashed: =end original バックスラッシュ文字 C<'\'> はそれ自身がメタ文字であり、 バックスラッシュをつける必要があります: =begin original 'C:\WIN32' =~ /C:\\WIN/; # matches =end original 'C:\WIN32' =~ /C:\\WIN/; # マッチングする =begin original In situations where it doesn't make sense for a particular metacharacter to mean what it normally does, it automatically loses its metacharacter-ness and becomes an ordinary character that is to be matched literally. For example, the C<'}'> is a metacharacter only when it is the mate of a C<'{'> metacharacter. Otherwise it is treated as a literal RIGHT CURLY BRACKET. This may lead to unexpected results. L|re/'strict' mode> can catch some of these. =end original 特定のメタ文字が通常の意味として意味のない状況では、 自動的にメタ文字性がなくなり、 リテラルにマッチングする通常の文字になります。 例えば、C<'}'> は相手となる C<'{'> メタ文字がいる場合にのみ メタ文字になります。 さもなければこれはリテラルな RIGHT CURLY BRACKET として扱われます。 これは想定外の結果を引き起こすかもしれません。 これらの一部は L|re/'strict' mode> で捕捉できます。 =begin original In addition to the metacharacters, there are some ASCII characters which don't have printable character equivalents and are instead represented by I. Common examples are C<\t> for a tab, C<\n> for a newline, C<\r> for a carriage return and C<\a> for a bell (or alert). If your string is better thought of as a sequence of arbitrary bytes, the octal escape sequence, I, C<\033>, or hexadecimal escape sequence, I, C<\x1B> may be a more natural representation for your bytes. Here are some examples of escapes: =end original メタ文字に加え、印字することのできない文字であって I<エスケープシーケンス> によって表現されるいくつかの ASCII 文字があります。 一般的な例では、タブを表す C<\t>、改行を表す C<\n>、復帰を表す C<\r>、 ベルを表す C<\a> があります。 文字列を任意のバイト列としてみなすのなら、C<\033> のような 8 進エスケープシーケンスや C<\x1B> のような 16 進エスケープシーケンスは バイト列のより自然な表現となります。 以下にあげるのはエスケープの例です: =begin original "1000\t2000" =~ m(0\t2) # matches "1000\n2000" =~ /0\n20/ # matches "1000\t2000" =~ /\000\t2/ # doesn't match, "0" ne "\000" "cat" =~ /\o{143}\x61\x74/ # matches in ASCII, but a weird way # to spell cat =end original "1000\t2000" =~ m(0\t2) # マッチングする "1000\n2000" =~ /0\n20/ # マッチングする "1000\t2000" =~ /\000\t2/ # マッチングしない; "0" は "\000" ではない "cat" =~ /\o{143}\x61\x74/ # ASCII でマッチングするが、cat を綴る # 変な方法 =begin original If you've been around Perl a while, all this talk of escape sequences may seem familiar. Similar escape sequences are used in double-quoted strings and in fact the regexps in Perl are mostly treated as double-quoted strings. This means that variables can be used in regexps as well. Just like double-quoted strings, the values of the variables in the regexp will be substituted in before the regexp is evaluated for matching purposes. So we have: =end original あなたがすでに Perl を少なからず知っているのなら、エスケープシーケンスに 付いて述べた以上のことはすでになじみ深いものかもしれません。 同じようなエスケープシーケンスはダブルクォートで囲まれた文字列で 使われていて、事実 Perl における正規表現はほとんどの場合において ダブルクォートで囲まれた文字列のように扱われます。 このことは正規表現の中で変数を使うことができるということを意味します。 ダブルクォートで囲まれた文字列のように、正規表現中の変数の値は マッチングのために正規表現が評価されるより前に置き換えが行われます。 ですから: =begin original $foo = 'house'; 'housecat' =~ /$foo/; # matches 'cathouse' =~ /cat$foo/; # matches 'housecat' =~ /${foo}cat/; # matches =end original $foo = 'house'; 'housecat' =~ /$foo/; # マッチングする 'cathouse' =~ /cat$foo/; # マッチングする 'housecat' =~ /${foo}cat/; # マッチングする =begin original So far, so good. With the knowledge above you can already perform searches with just about any literal string regexp you can dream up. Here is a I emulation of the Unix grep program: =end original 今のところ順調です。 これまでの知識をもとに任意のリテラル文字列正規表現に関して 検索を行うことができます。 次の例は Unix の grep プログラムの I<非常に単純な> 模倣です。 % cat > simple_grep #!/usr/bin/perl $regexp = shift; while (<>) { print if /$regexp/; } ^D % chmod +x simple_grep % simple_grep abba /usr/dict/words Babbage cabbage cabbages sabbath Sabbathize Sabbathizes sabbatical scabbard scabbards =begin original This program is easy to understand. C<#!/usr/bin/perl> is the standard way to invoke a perl program from the shell. S> saves the first command line argument as the regexp to be used, leaving the rest of the command line arguments to be treated as files. S) >>> loops over all the lines in all the files. For each line, S> prints the line if the regexp matches the line. In this line, both C and C use the default variable C<$_> implicitly. =end original このプログラムを理解するのは簡単です。 C<#!/usr/bin/perl> はシェルから perl プログラムを起動する標準的な方法です。 S> は最初のコマンドライン引数を正規表現として使うために 保存します; そして残りのコマンドライン引数はファイルとして扱うために そのままにしておきます。 S) >>> ループはすべてのファイルのすべての行に対して 実行されます。 各行において、S> はその行が正規表現に マッチングしていれば行の内容を出力します。 この行で、C と C は暗黙にデフォルト変数 C<$_> を 使用します。 =begin original With all of the regexps above, if the regexp matched anywhere in the string, it was considered a match. Sometimes, however, we'd like to specify I in the string the regexp should try to match. To do this, we would use the I metacharacters C<'^'> and C<'$'>. The anchor C<'^'> means match at the beginning of the string and the anchor C<'$'> means match at the end of the string, or before a newline at the end of the string. Here is how they are used: =end original これまでの正規表現では、文字列のどこかでマッチングすればマッチングしたと みなしてきました。 しかし、ときには文字列の I<どこで> 正規表現がマッチングするのかを 指定したいときがあります。 これを行うためには、I<アンカー> メタ文字である C<'^'> と C<'$'> を使います。 アンカー C<'^'> は文字列の先頭でマッチングすることを意味し、アンカー C<'$'> は文字列の末尾(あるいは文字列の末尾にある改行の前) で マッチングすることを意味します。 以下に例を挙げます: =begin original "housekeeper" =~ /keeper/; # matches "housekeeper" =~ /^keeper/; # doesn't match "housekeeper" =~ /keeper$/; # matches "housekeeper\n" =~ /keeper$/; # matches =end original "housekeeper" =~ /keeper/; # マッチングする "housekeeper" =~ /^keeper/; # マッチングしない "housekeeper" =~ /keeper$/; # マッチングする "housekeeper\n" =~ /keeper$/; # マッチングする =begin original The second regexp doesn't match because C<'^'> constrains C to match only at the beginning of the string, but C<"housekeeper"> has keeper starting in the middle. The third regexp does match, since the C<'$'> constrains C to match only at the end of the string. =end original 二番目の正規表現はマッチングしません; なぜなら、C<'^'> は C が文字列の 先頭にあるときにのみマッチングすることを強制しますが、C<"housekeeper"> は その先頭以外にkeeperを含んでいます。 三番目の正規表現は、C<'$'> が C が文字列の末尾にあるときにのみ マッチングすることを強制しているのでマッチングします。 =begin original When both C<'^'> and C<'$'> are used at the same time, the regexp has to match both the beginning and the end of the string, I, the regexp matches the whole string. Consider =end original C<'^'> と C<'$'> の両方が同時に使われた場合、その正規表現は文字列の先頭と 末尾両方にマッチングする必要があります; つまり、その正規表現は文字列全体に マッチングするのです。 以下の例で考えてみましょう =begin original "keeper" =~ /^keep$/; # doesn't match "keeper" =~ /^keeper$/; # matches "" =~ /^$/; # ^$ matches an empty string =end original "keeper" =~ /^keep$/; # マッチングしない "keeper" =~ /^keeper$/; # マッチングする "" =~ /^$/; # ^$ は空文字列にマッチングする =begin original The first regexp doesn't match because the string has more to it than C. Since the second regexp is exactly the string, it matches. Using both C<'^'> and C<'$'> in a regexp forces the complete string to match, so it gives you complete control over which strings match and which don't. Suppose you are looking for a fellow named bert, off in a string by himself: =end original 最初の正規表現はマッチングしません; なぜなら、文字列は C 以外のものを 持っているからです。 二番目の正規表現は正確に同じ文字列なのでマッチングします。 C<'^'> と C<'$'> を正規表現の中で使うことによって、文字列全体に マッチングすることを強制します; このため、どの文字列がマッチングしどの 文字列がマッチングしないかを完全に制御することができます。 bert という名前の仲間を探しているとしましょう: =begin original "dogbert" =~ /bert/; # matches, but not what you want =end original "dogbert" =~ /bert/; # マッチングする; しかし望んだものではない =begin original "dilbert" =~ /^bert/; # doesn't match, but .. "bertram" =~ /^bert/; # matches, so still not good enough =end original "dilbert" =~ /^bert/; # マッチングしない。しかし… "bertram" =~ /^bert/; # マッチングする; ということはまだ十分ではない =begin original "bertram" =~ /^bert$/; # doesn't match, good "dilbert" =~ /^bert$/; # doesn't match, good "bert" =~ /^bert$/; # matches, perfect =end original "bertram" =~ /^bert$/; # マッチングしない; よし "dilbert" =~ /^bert$/; # マッチングしない; よし "bert" =~ /^bert$/; # マッチングする; 完璧 =begin original Of course, in the case of a literal string, one could just as easily use the string comparison S> and it would be more efficient. The C<^...$> regexp really becomes useful when we add in the more powerful regexp tools below. =end original もちろん、リテラル文字列の場合においては、文字列の比較を S> を使って簡単に行うことができ、こちらのほうが より効率がよいです。 C<^...$> 正規表現は以下に述べるより強力な正規表現ツールにおいて 便利になります。 =head2 Using character classes (文字クラスを使う) =begin original Although one can already do quite a lot with the literal string regexps above, we've only scratched the surface of regular expression technology. In this and subsequent sections we will introduce regexp concepts (and associated metacharacter notations) that will allow a regexp to represent not just a single character sequence, but a I of them. =end original 先に述べたリテラル文字列の正規表現を使ってさえ多くのことができますが、 それは正規表現テクノロジーの表面をひっかいた程度に過ぎません。 このセクションと続くセクションでは、ただ一文字の文字を表すのではなく I<文字のクラス全体> を表す正規表現のコンセプト (とそれに結び付けられた メタ文字表記)を紹介します。 =begin original One such concept is that of a I. A character class allows a set of possible characters, rather than just a single character, to match at a particular point in a regexp. You can define your own custom character classes. These are denoted by brackets C<[...]>, with the set of characters to be possibly matched inside. Here are some examples: =end original そのようなコンセプトは I<文字クラス> です。 文字クラスは正規表現の特定の場所においてマッチングする可能性のある文字の 集合です(単一の文字ではありません)。 独自のカスタム文字クラスを定義することができます。 これらはブラケット C<[...]> で表現され、マッチングする可能性のある文字の 集合はその内側に置かれます。 以下にいくつか例を挙げます: =begin original /cat/; # matches 'cat' /[bcr]at/; # matches 'bat, 'cat', or 'rat' /item[0123456789]/; # matches 'item0' or ... or 'item9' "abc" =~ /[cab]/; # matches 'a' =end original /cat/; # 'cat' にマッチング /[bcr]at/; # 'bat, 'cat', 'rat' にマッチング /item[0123456789]/; # 'item0' または ... または 'item9' にマッチング "abc" =~ /[cab]/; # 'a' にマッチング =begin original In the last statement, even though C<'c'> is the first character in the class, C<'a'> matches because the first character position in the string is the earliest point at which the regexp can match. =end original 最後の文において、C<'c'> がクラスの最初の文字であるにもかかわらず C<'a'> がマッチングします; なぜなら、文字列の最初の文字位置が正規表現が マッチングすることのできる最初の位置にある文字だからです。 =begin original /[yY][eE][sS]/; # match 'yes' in a case-insensitive way # 'yes', 'Yes', 'YES', etc. =end original /[yY][eE][sS]/; # 大小文字を問わず 'yes' にマッチングする # 'yes', 'Yes', 'YES' など =begin original This regexp displays a common task: perform a case-insensitive match. Perl provides a way of avoiding all those brackets by simply appending an C<'i'> to the end of the match. Then C can be rewritten as C. The C<'i'> stands for case-insensitive and is an example of a I of the matching operation. We will meet other modifiers later in the tutorial. =end original この正規表現は一般的な仕事を表しています: 大小文字の違いを無視しての マッチングを行います。 Perl はこのようなブラケットを取り除くやり方を提供しています; それは マッチングの終端に C<'i'> をつけることです。 したがって、C は C と書き換えることができます。 この C<'i'> は大小文字の違いを無視することを意味していて、マッチング操作の I<修飾子> (modifier)の実例です。 本チュートリアルの後の方で他の修飾子がでてくることでしょう。 =begin original We saw in the section above that there were ordinary characters, which represented themselves, and special characters, which needed a backslash C<'\'> to represent themselves. The same is true in a character class, but the sets of ordinary and special characters inside a character class are different than those outside a character class. The special characters for a character class are C<-]\^$> (and the pattern delimiter, whatever it is). C<']'> is special because it denotes the end of a character class. C<'$'> is special because it denotes a scalar variable. C<'\'> is special because it is used in escape sequences, just like above. Here is how the special characters C<]$\> are handled: =end original このセクションの前のほうで、自分自身を表す通常の文字と、 それ自身を表すためには バックスラッシュ C<'\'> が必要な特殊文字があることを見てきました。 同じことが文字クラスの中でも言えます; しかし、文字クラスの内側にある通常の 文字と特殊文字の集合は、文字クラスの外側にあるものと異なります。 文字クラスのために特殊な文字は C<-]\^$> (および(何であれ)デリミタ)です。 C<']'> は文字クラスの終端を表すので特殊です。 C<'$'> はスカラ変数を表すので特殊です。 C<'\'> はエスケープシーケンスで使われるので特殊です。 以下は特殊文字 C<]$\> を扱うやり方です: =begin original /[\]c]def/; # matches ']def' or 'cdef' $x = 'bcr'; /[$x]at/; # matches 'bat', 'cat', or 'rat' /[\$x]at/; # matches '$at' or 'xat' /[\\$x]at/; # matches '\at', 'bat, 'cat', or 'rat' =end original /[\]c]def/; # ']def' または 'cdef' にマッチング $x = 'bcr'; /[$x]at/; # 'bat', 'cat', 'rat' にマッチング /[\$x]at/; # '$at' または 'xat' にマッチング /[\\$x]at/; # '\at', 'bat, 'cat', 'rat' にマッチング =begin original The last two are a little tricky. In C<[\$x]>, the backslash protects the dollar sign, so the character class has two members C<'$'> and C<'x'>. In C<[\\$x]>, the backslash is protected, so C<$x> is treated as a variable and substituted in double quote fashion. =end original 最後の二つはちょっとトリッキーです。 C<[\$x]> の中ではバックスラッシュはドル記号を保護しているので、 文字クラスは C<'$'> と C<'x'> という二つのメンバを持ちます。 C<[\\$x]> ではバックラッシュが保護されているので、C<$x> は変数として 扱われ、ダブルクォート規則に従って置換が行われます。 =begin original The special character C<'-'> acts as a range operator within character classes, so that a contiguous set of characters can be written as a range. With ranges, the unwieldy C<[0123456789]> and C<[abc...xyz]> become the svelte C<[0-9]> and C<[a-z]>. Some examples are =end original 特殊文字 C<'-'> は文字クラスの中で範囲演算子として振舞います; このため、 連続した範囲の文字を一つの範囲として記述することができます。 範囲を使うことによって、C<[0123456789]> や C<[abc...xyz]> のような 見づらいものはすっきりとした C<[0-9]> であるとか C<[a-z]> のように 書き換えられます。 幾つか例を挙げましょう =begin original /item[0-9]/; # matches 'item0' or ... or 'item9' /[0-9bx-z]aa/; # matches '0aa', ..., '9aa', # 'baa', 'xaa', 'yaa', or 'zaa' /[0-9a-fA-F]/; # matches a hexadecimal digit /[0-9a-zA-Z_]/; # matches a "word" character, # like those in a Perl variable name =end original /item[0-9]/; # 'item0' ... 'item9' にマッチングする /[0-9bx-z]aa/; # '0aa' ... '9aa', # 'baa', 'xaa', 'yaa', 'zaa' のいずれかにマッチングする /[0-9a-fA-F]/; # 16 進数にマッチングする /[0-9a-zA-Z_]/; # Perl の変数名のような # 「単語」文字にマッチングする =begin original If C<'-'> is the first or last character in a character class, it is treated as an ordinary character; C<[-ab]>, C<[ab-]> and C<[a\-b]> are all equivalent. =end original C<'-'> が文字クラスの中の最初か最後の文字であった場合、通常の文字として 扱われます; C<[-ab]>, C<[ab-]>, C<[a\-b]> はすべて等価です。 =begin original The special character C<'^'> in the first position of a character class denotes a I, which matches any character but those in the brackets. Both C<[...]> and C<[^...]> must match a character, or the match fails. Then =end original 文字クラスの先頭の位置にある特殊文字 C<'^'> は I<反転文字クラス> を表し、 ブラケットの中にない文字にマッチングします。 C<[...]> と C<[^...]> の両方とも、一つの文字にマッチングせねばならず、 そうでない場合にはマッチングは失敗します。 ですから =begin original /[^a]at/; # doesn't match 'aat' or 'at', but matches # all other 'bat', 'cat, '0at', '%at', etc. /[^0-9]/; # matches a non-numeric character /[a^]at/; # matches 'aat' or '^at'; here '^' is ordinary =end original /[^a]at/; # 'aat' や 'at' にはマッチングしないが、その他の # 'bat', 'cat, '0at', '%at' などにはマッチングする /[^0-9]/; # 数字以外にマッチングする /[a^]at/; # 'aat' か '^at'にマッチングする; ここでは '^' は通常の文字 =begin original Now, even C<[0-9]> can be a bother to write multiple times, so in the interest of saving keystrokes and making regexps more readable, Perl has several abbreviations for common character classes, as shown below. Since the introduction of Unicode, unless the C modifier is in effect, these character classes match more than just a few characters in the ASCII range. =end original ここで、C<[0-9]> でさえ何回も書くには面倒です; ですから、キーストロークの 数を抑えて、かつ正規表現をより読みやすくするために後述するように Perl は 一般的な文字クラスの略記法を持っています。 Unicode の導入のために、C 修飾子が有効でない限り、これらの文字クラスは ASCII の範囲での数文字よりも多くマッチングします。 =over 4 =item * =begin original C<\d> matches a digit, not just C<[0-9]> but also digits from non-roman scripts =end original C<\d> は数字にマッチングします; 単に C<[0-9]> だけではなく、非ローマ字 スクリプトからの数字もマッチングします =item * =begin original C<\s> matches a whitespace character, the set C<[\ \t\r\n\f]> and others =end original C<\s> は空白文字にマッチングします; C<[\ \t\r\n\f]> やその他のものです =item * =begin original C<\w> matches a word character (alphanumeric or C<'_'>), not just C<[0-9a-zA-Z_]> but also digits and characters from non-roman scripts =end original C<\w> は単語を構成する文字(英数字 と C<'_'>)にマッチングします; 単に C<[0-9a-zA-Z_]> だけではなく、非ローマ字スクリプトからの数字と文字も マッチングします =item * =begin original C<\D> is a negated C<\d>; it represents any other character than a digit, or C<[^\d]> =end original C<\D> は C<\d> の否定形です; 数字以外の文字、つまり C<[^\d]> を表します。 =item * =begin original C<\S> is a negated C<\s>; it represents any non-whitespace character C<[^\s]> =end original C<\S> は C<\s> の否定形です; 非空白文字 C<[^\s]> を表します。 =item * =begin original C<\W> is a negated C<\w>; it represents any non-word character C<[^\w]> =end original C<\W> は C<\w> の否定形です; 単語を構成しない文字 C<[^\w]> を表します。 =item * =begin original The period C<'.'> matches any character but C<"\n"> (unless the modifier C is in effect, as explained below). =end original ピリオド C<'.'> は (以下に述べるように、修飾子 C が有効でない限り) C<"\n"> 以外の任意の文字にマッチングします。 =item * =begin original C<\N>, like the period, matches any character but C<"\n">, but it does so regardless of whether the modifier C is in effect. =end original C<\N> は、ピリオドのように、C<"\n"> 以外の任意の文字にマッチングしますが、 C 修飾子が有効かどうかに関わらずマッチングします。 =back =begin original The C modifier, available starting in Perl 5.14, is used to restrict the matches of C<\d>, C<\s>, and C<\w> to just those in the ASCII range. It is useful to keep your program from being needlessly exposed to full Unicode (and its accompanying security considerations) when all you want is to process English-like text. (The "a" may be doubled, C, to provide even more restrictions, preventing case-insensitive matching of ASCII with non-ASCII characters; otherwise a Unicode "Kelvin Sign" would caselessly match a "k" or "K".) =end original Perl 5.14 から利用可能の C 修飾子は、C<\d>, C<\s>, C<\w> を ASCII の 範囲に制限するために使います。 これは、英語風のテキストを処理したいだけの時にプログラムを不必要に 完全な Unicode (とそれに関連するセキュリティの配慮) にさらされないように するのに有用です。 ("a" を重ねて C にするとさらに制限されて、ASCII 文字の大文字小文字を 無視したマッチングで非 ASCII 文字にマッチングしなくします; さもなければ、 Unicode の "Kelvin Sign" は "k" や "K" に、大文字小文字を無視したマッチングが 成功します。) =begin original The C<\d\s\w\D\S\W> abbreviations can be used both inside and outside of bracketed character classes. Here are some in use: =end original C<\d\s\w\D\S\W> の省略記法は大かっこ文字クラスの内側でも外側でも 使うことができます。 以下はその例です: =begin original /\d\d:\d\d:\d\d/; # matches a hh:mm:ss time format /[\d\s]/; # matches any digit or whitespace character /\w\W\w/; # matches a word char, followed by a # non-word char, followed by a word char /..rt/; # matches any two chars, followed by 'rt' /end\./; # matches 'end.' /end[.]/; # same thing, matches 'end.' =end original /\d\d:\d\d:\d\d/; # hh:mm:ss 形式の時間表記にマッチング /[\d\s]/; # 数字または空白にマッチング /\w\W\w/; # 非単語文字が続きさらに単語文字が続く # 単語文字にマッチング /..rt/; # 'rt' が続く任意の二文字にマッチング /end\./; # 'end.' にマッチング /end[.]/; # 同じこと; 'end.' にマッチング =begin original Because a period is a metacharacter, it needs to be escaped to match as an ordinary period. Because, for example, C<\d> and C<\w> are sets of characters, it is incorrect to think of C<[^\d\w]> as C<[\D\W]>; in fact C<[^\d\w]> is the same as C<[^\w]>, which is the same as C<[\W]>. Think DeMorgan's laws. =end original ピリオドはメタ文字なので、ピリオドそのものにマッチングさせるにはエスケープする 必要があります。 C<\d> や C<\w> は文字の集合なので C<[^\d\w]> を C<[\D\W]> とみなすのは 間違いです; 事実、C<[^\d\w]> は C<[^\w]> と同じであり、これは C<[\W]> と 等価です。 ド・モルガンの法則を考えてみてください。 =begin original In actuality, the period and C<\d\s\w\D\S\W> abbreviations are themselves types of character classes, so the ones surrounded by brackets are just one type of character class. When we need to make a distinction, we refer to them as "bracketed character classes." =end original 実情としては、ピリオドと C<\d\s\w\D\S\W> の省略形はそれ自身ある種の 文字クラスなので、これらを大かっこで囲んだものは単にある種の文字クラスです。 これを区別する必要がある時には、これらは「大かっこ文字クラス」 (bracketed character classes)と呼びます。 =begin original An anchor useful in basic regexps is the I C<\b>. This matches a boundary between a word character and a non-word character C<\w\W> or C<\W\w>: =end original 基本的な正規表現で便利なアンカーに I<語アンカー> (word anchor)の C<\b> があります。 これは単語を構成する文字と単語を構成しない文字の間 C<\w\W> や C<\W\w> の 境界にマッチングします: =begin original $x = "Housecat catenates house and cat"; $x =~ /cat/; # matches cat in 'housecat' $x =~ /\bcat/; # matches cat in 'catenates' $x =~ /cat\b/; # matches cat in 'housecat' $x =~ /\bcat\b/; # matches 'cat' at end of string =end original $x = "Housecat catenates house and cat"; $x =~ /cat/; # 'housecat' の cat にマッチング $x =~ /\bcat/; # 'catenates' の cat にマッチング $x =~ /cat\b/; # 'housecat' の cat にマッチング $x =~ /\bcat\b/; # 文字列の終端の'cat'にマッチング =begin original Note in the last example, the end of the string is considered a word boundary. =end original 最後の例に注意してください; 文字列の終端は単語境界として認識されています。 =begin original For natural language processing (so that, for example, apostrophes are included in words), use instead C<\b{wb}> =end original 自然言語処理のため (そのために、例えば、アポストロフィを単語に含める) なら、 代わりに C<\b{wb}> を使います "don't" =~ / .+? \b{wb} /x; # matches the whole string =begin original You might wonder why C<'.'> matches everything but C<"\n"> - why not every character? The reason is that often one is matching against lines and would like to ignore the newline characters. For instance, while the string C<"\n"> represents one line, we would like to think of it as empty. Then =end original C<'.'> が C<"\n"> 以外の任意の文字にマッチングすることに疑問を感じるかも しれません - なぜすべての文字ではないのでしょうか? その答えはマッチングがしばしば行に対して行われ、改行文字を 無視したいからです。 たとえば、文字列 C<"\n"> が一行を表していたとして、それを空の行として みなしたいでしょう。 ですから =begin original "" =~ /^$/; # matches "\n" =~ /^$/; # matches, $ anchors before "\n" =end original "" =~ /^$/; # マッチング "\n" =~ /^$/; # マッチング; "\n" は無視される =begin original "" =~ /./; # doesn't match; it needs a char "" =~ /^.$/; # doesn't match; it needs a char "\n" =~ /^.$/; # doesn't match; it needs a char other than "\n" "a" =~ /^.$/; # matches "a\n" =~ /^.$/; # matches, $ anchors before "\n" =end original "" =~ /./; # マッチングしない; キャラクタが必要 "" =~ /^.$/; # マッチングしない; キャラクタが必要 "\n" =~ /^.$/; # マッチングしない; "\n" 以外のキャラクタが必要 "a" =~ /^.$/; # マッチングする "a\n" =~ /^.$/; # マッチングする; "\n" は無視される =begin original This behavior is convenient, because we usually want to ignore newlines when we count and match characters in a line. Sometimes, however, we want to keep track of newlines. We might even want C<'^'> and C<'$'> to anchor at the beginning and end of lines within the string, rather than just the beginning and end of the string. Perl allows us to choose between ignoring and paying attention to newlines by using the C and C modifiers. C and C stand for single line and multi-line and they determine whether a string is to be treated as one continuous string, or as a set of lines. The two modifiers affect two aspects of how the regexp is interpreted: 1) how the C<'.'> character class is defined, and 2) where the anchors C<'^'> and C<'$'> are able to match. Here are the four possible combinations: =end original 通常はある行において文字を数えたりマッチングしたりするときには改行を 無視したいので、この動作は便利です。 しかし、ときとして改行を保存したいときがあります。 C<'^'> や C<'$'> を文字列の先頭や末尾ではなく行の先頭や末尾に対するアンカーと したいときがあるでしょう。 Perl は C 修飾子や C 修飾子を使うことによって改行を無視したり 考慮したりすることを選択することを許しています。 C と C はそれぞれ単一行(single line)と複数行(multi-line)を意味し、 文字列を連続した文字としてみなすか行の集合としてみなすかを決定します。 これら二つの修飾子は正規表現がどのように解釈されるかに関して二つの影響を 及ぼします: 1) C<'.'> 文字クラスがどのように定義されるか 2) アンカー C<'^'> と C<'$'> がどこにマッチングできるかです。 四つの可能な組み合わせがあります: =over 4 =item * =begin original no modifiers: Default behavior. C<'.'> matches any character except C<"\n">. C<'^'> matches only at the beginning of the string and C<'$'> matches only at the end or before a newline at the end. =end original 修飾子なし: デフォルトの動作です。 C<'.'> は C<"\n"> 以外の任意の文字にマッチングします。 C<'^'> は文字列の先頭にのみマッチングし、C<'$'> は文字列の末尾もしくは 終端にある改行の直前にのみマッチングします。 =item * =begin original s modifier (C): Treat string as a single long line. C<'.'> matches any character, even C<"\n">. C<'^'> matches only at the beginning of the string and C<'$'> matches only at the end or before a newline at the end. =end original s 修飾子 (C): 文字列を一つの長い行としてみなします。 C<'.'> は C<"\n"> を含めた任意の文字にマッチングします。 C<'^'> は文字列の先頭にのみマッチングし、C<'$'> は文字列の末尾もしくは 終端にある改行の直前にのみマッチングします。 =item * =begin original m modifier (C): Treat string as a set of multiple lines. C<'.'> matches any character except C<"\n">. C<'^'> and C<'$'> are able to match at the start or end of I line within the string. =end original m 修飾子 (C): 文字列を複数行の集合としてみなします。 C<'.'> は C<"\n"> 以外の任意の文字にマッチングします。 C<'^'> と C<'$'> はそれぞれ文字列中の任意の行の先頭と末尾にマッチングします。 =item * =begin original both s and m modifiers (C): Treat string as a single long line, but detect multiple lines. C<'.'> matches any character, even C<"\n">. C<'^'> and C<'$'>, however, are able to match at the start or end of I line within the string. =end original s 修飾子と m 修飾子の両方 (C): 文字列を単一の長い行としてみなしますが、 複数行を検出します。 C<'.'> は C<"\n"> を含めた任意の文字にマッチングします。 しかし、C<'^'> と C<'$'> はそれぞれ文字列中の任意の行の先頭と末尾に マッチングすることが可能です。 =back =begin original Here are examples of C and C in action: =end original 以下はアクション中の C と C の例です: $x = "There once was a girl\nWho programmed in Perl\n"; =begin original $x =~ /^Who/; # doesn't match, "Who" not at start of string $x =~ /^Who/s; # doesn't match, "Who" not at start of string $x =~ /^Who/m; # matches, "Who" at start of second line $x =~ /^Who/sm; # matches, "Who" at start of second line =end original $x =~ /^Who/; # マッチングしない; "Who" は文字列の先頭にはない $x =~ /^Who/s; # マッチングしない; "Who" は文字列の先頭にはない $x =~ /^Who/m; # マッチングする; "Who" は二行目の先頭にある $x =~ /^Who/sm; # マッチングする; "Who" は二行目の先頭にある =begin original $x =~ /girl.Who/; # doesn't match, "." doesn't match "\n" $x =~ /girl.Who/s; # matches, "." matches "\n" $x =~ /girl.Who/m; # doesn't match, "." doesn't match "\n" $x =~ /girl.Who/sm; # matches, "." matches "\n" =end original $x =~ /girl.Who/; # マッチングしない; "." は "\n" にマッチングしない $x =~ /girl.Who/s; # マッチングする; "." は "\n"にマッチングする $x =~ /girl.Who/m; # マッチングしない; "." は "\n" にマッチングしない $x =~ /girl.Who/sm; # マッチングする; "." は "\n"にマッチングする =begin original Most of the time, the default behavior is what is wanted, but C and C are occasionally very useful. If C is being used, the start of the string can still be matched with C<\A> and the end of the string can still be matched with the anchors C<\Z> (matches both the end and the newline before, like C<'$'>), and C<\z> (matches only the end): =end original ほとんどの場合、デフォルトの動作が望んでいるものですが、C や C はとても便利なものです。 もし C を使っているのなら、文字列の先頭は C<\A> で マッチングさせることができ、文字列の末尾はアンカー C<\Z> (C<'$'> と 同じように、末尾と末尾にある改行の直前にマッチングします) や C<\z> (末尾にのみマッチング)でマッチングさせることができます: =begin original $x =~ /^Who/m; # matches, "Who" at start of second line $x =~ /\AWho/m; # doesn't match, "Who" is not at start of string =end original $x =~ /^Who/m; # マッチングする; "Who" は二行目の先頭にある $x =~ /\AWho/m; # マッチングしない; "Who" は文字列の先頭にはない =begin original $x =~ /girl$/m; # matches, "girl" at end of first line $x =~ /girl\Z/m; # doesn't match, "girl" is not at end of string =end original $x =~ /girl$/m; # マッチングする; "girl" は一行目の末尾にある $x =~ /girl\Z/m; # マッチングしない; "girl" は文字列の末尾にはない =begin original $x =~ /Perl\Z/m; # matches, "Perl" is at newline before end $x =~ /Perl\z/m; # doesn't match, "Perl" is not at end of string =end original $x =~ /Perl\Z/m; # マッチングする; "Perl" は末尾の直前にある改行の前にある $x =~ /Perl\z/m; # マッチングしない; "Perl" は文字列の末尾にはない =begin original We now know how to create choices among classes of characters in a regexp. What about choices among words or character strings? Such choices are described in the next section. =end original 正規表現中で文字クラスをどのように選択するかを学びました。 単語や文字並びに関する選択は? その選択は次のセクションで述べます。 =head2 Matching this or that (あれやこれやにマッチングする) =begin original Sometimes we would like our regexp to be able to match different possible words or character strings. This is accomplished by using the I metacharacter C<'|'>. To match C or C, we form the regexp C. As before, Perl will try to match the regexp at the earliest possible point in the string. At each character position, Perl will first try to match the first alternative, C. If C doesn't match, Perl will then try the next alternative, C. If C doesn't match either, then the match fails and Perl moves to the next position in the string. Some examples: =end original 正規表現を異なる単語や文字並びにマッチングさせたいと考えることがあるでしょう。 これは I<選択> メタ文字 C<'|'> によって行うことができます。 C または C にマッチングさせるには、正規表現を C のようにします。 以前述べた通り、Perlは文字列の可能な限り最も早い位置でマッチングを 行おうとします。 それぞれの文字位置で、Perlはまずはじめに最初の選択である C に マッチングさせることを試みます。 もし C がマッチングしなければ、Perl は次の選択肢である C を 試します。 C もまたマッチングしなければ、マッチングは失敗してPerlは文字列の次の 位置に移動します。 幾つか例を挙げましょう: =begin original "cats and dogs" =~ /cat|dog|bird/; # matches "cat" "cats and dogs" =~ /dog|cat|bird/; # matches "cat" =end original "cats and dogs" =~ /cat|dog|bird/; # "cat" にマッチング "cats and dogs" =~ /dog|cat|bird/; # "cat" にマッチング =begin original Even though C is the first alternative in the second regexp, C is able to match earlier in the string. =end original 二番目の正規表現において最初の選択肢が C であるにもかかわらず、 C が文字列で最初に現れるマッチング対象です。 =begin original "cats" =~ /c|ca|cat|cats/; # matches "c" "cats" =~ /cats|cat|ca|c/; # matches "cats" =end original "cats" =~ /c|ca|cat|cats/; # "c" にマッチング "cats" =~ /cats|cat|ca|c/; # "cats" にマッチング =begin original Here, all the alternatives match at the first string position, so the first alternative is the one that matches. If some of the alternatives are truncations of the others, put the longest ones first to give them a chance to match. =end original ここではすべての選択肢が最初の位置でマッチングするので、最初の選択肢が マッチング対象となります。 もし一部の選択肢が他の選択肢を縮めたものであるならば、マッチングのチャンスを 与えるために最も長いものを最初に置きます。 =begin original "cab" =~ /a|b|c/ # matches "c" # /a|b|c/ == /[abc]/ =end original "cab" =~ /a|b|c/ # "c" にマッチング # /a|b|c/ == /[abc]/ =begin original The last example points out that character classes are like alternations of characters. At a given character position, the first alternative that allows the regexp match to succeed will be the one that matches. =end original この最後の例は文字クラスが文字の選択に似ていることを表しています。 与えられた文字位置で、正規表現のマッチングを成功させるための 最初の選択肢はマッチングする一つとなります。 =head2 Grouping things and hierarchical matching (グループ化と階層的マッチング) =begin original Alternation allows a regexp to choose among alternatives, but by itself it is unsatisfying. The reason is that each alternative is a whole regexp, but sometime we want alternatives for just part of a regexp. For instance, suppose we want to search for housecats or housekeepers. The regexp C fits the bill, but is inefficient because we had to type C twice. It would be nice to have parts of the regexp be constant, like C, and some parts have alternatives, like C. =end original 選択は正規表現が選択肢の中から選び出すことを許しますが、それ自身は 満足できるものではありません。 その理由は、各選択肢は正規表現全体でなければならないのに、正規表現の 一部だけを選択したいときがあるからです。 たとえば、housecats か housekeepers を検索したいとしましょう。 C という正規表現はそれができます; しかし、C を 二回タイプしなければならないので効率がよくありません。 正規表現の一部分を C のように定数にできて、そして一部が C のように選択肢を持つようにできればよいのです。 =begin original The I metacharacters C<()> solve this problem. Grouping allows parts of a regexp to be treated as a single unit. Parts of a regexp are grouped by enclosing them in parentheses. Thus we could solve the C by forming the regexp as C. The regexp C means match C followed by either C or C. Some more examples are =end original I<グループ化> メタ文字 C<()> はこの問題を解決します。 グループ化は正規表現の一部分を一つのユニットとして扱うことを許します。 ある正規表現の一部はカッコによって囲まれることでグループ化されます。 したがって、C は正規表現を C と することによって解決することができます。 正規表現 C は、C か C が後続する C にマッチングすることを意味します。 幾つか例を挙げましょう =begin original /(a|b)b/; # matches 'ab' or 'bb' /(ac|b)b/; # matches 'acb' or 'bb' /(^a|b)c/; # matches 'ac' at start of string or 'bc' anywhere /(a|[bc])d/; # matches 'ad', 'bd', or 'cd' =end original /(a|b)b/; # 'ab' または 'bb' にマッチング /(ac|b)b/; # 'acb' または 'bb' にマッチング /(^a|b)c/; # 文字列の先頭にある 'ac' か任意の場所の'bc'にマッチング /(a|[bc])d/; # 'ad', 'bd', 'cd' にマッチング =begin original /house(cat|)/; # matches either 'housecat' or 'house' /house(cat(s|)|)/; # matches either 'housecats' or 'housecat' or # 'house'. Note groups can be nested. =end original /house(cat|)/; # 'housecat' か 'house' にマッチング /house(cat(s|)|)/; # 'housecats' か 'housecat' か 'house' のいずれかに # マッチング。グループがネストできることに注意 =begin original /(19|20|)\d\d/; # match years 19xx, 20xx, or the Y2K problem, xx "20" =~ /(19|20|)\d\d/; # matches the null alternative '()\d\d', # because '20\d\d' can't match =end original /(19|20|)\d\d/; # 年を表す19xx, 20xx か 2000 年問題を持つ xx にマッチング "20" =~ /(19|20|)\d\d/; # 空の選択肢 '()\d\d' にマッチング # '20\d\d' はマッチングできないから =begin original Alternations behave the same way in groups as out of them: at a given string position, the leftmost alternative that allows the regexp to match is taken. So in the last example at the first string position, C<"20"> matches the second alternative, but there is nothing left over to match the next two digits C<\d\d>. So Perl moves on to the next alternative, which is the null alternative and that works, since C<"20"> is two digits. =end original 選択はグループの中でもその外側と同じように振舞います: 文字列の与えられた 場所で、正規表現がマッチングする最も左にある選択肢が選ばれます。 ですから、最後の例では最初の文字列位置で二番目の選択肢 C<"20"> に マッチングしますが、残りの二つの数字 C<\d\d> にマッチングするものが 残っていません。 このため、Perlは次の選択肢へと移り、C<"20"> が二つの数字なので空の選択肢で うまくいきます。 =begin original The process of trying one alternative, seeing if it matches, and moving on to the next alternative, while going back in the string from where the previous alternative was tried, if it doesn't, is called I. The term "backtracking" comes from the idea that matching a regexp is like a walk in the woods. Successfully matching a regexp is like arriving at a destination. There are many possible trailheads, one for each string position, and each one is tried in order, left to right. From each trailhead there may be many paths, some of which get you there, and some which are dead ends. When you walk along a trail and hit a dead end, you have to backtrack along the trail to an earlier point to try another trail. If you hit your destination, you stop immediately and forget about trying all the other trails. You are persistent, and only if you have tried all the trails from all the trailheads and not arrived at your destination, do you declare failure. To be concrete, here is a step-by-step analysis of what Perl does when it tries to match the regexp =end original ある選択肢を試し、マッチングすればそれを選んで次の選択肢へ移り、 マッチングしなければ文字列の以前の選択肢を試した場所に戻る、 という手順は I<バックトラッキング> (backtracking)と呼ばれます。 'バックトラッキング'という単語は正規表現のマッチングが森の中の散歩に 似ていることからきています。 正規表現のマッチングが成功することは目的地にたどり着くことです。 多くの起点があり、文字列の各位置のひとつで左から右へと順序だてて 一つ一つ試します。 それぞれの起点からは多くの通り道があり、どれかはあなたが目指す場所で 他のどれかは行き止まりになっています。 歩いていて行き止まりに当たったら、あなたはもと来た道を後戻り(backtrack)して 別の道を試してみなければなりません。 目的地に着いたなら、即座に止まって他の道は忘れてしまいます。 あなたは粘り強いので、すべての起点からすべての通り道を試してそれでも 目的地に着かなければ、失敗を宣言します。 具体的に、Perl が正規表現のマッチングを試しているときに行っていることを ステップを追って説明しましょう "abcde" =~ /(abd|abc)(df|d|de)/; =over 4 =item Z<>0. Start with the first letter in the string C<'a'>. (Z<>0. 文字列の最初の文字 C<'a'> から始めます。) E =item Z<>1. Try the first alternative in the first group C<'abd'>. (Z<>1. 最初のグループの中の最初の選択肢 C<'abd'> を試します。) E =item Z<>2. Match C<'a'> followed by C<'b'>. So far so good. (Z<>2. C<'a'> とそれに続く C<'b'> にマッチングします。よさそうです。) E =item Z<>3. C<'d'> in the regexp doesn't match C<'c'> in the string - a dead end. So backtrack two characters and pick the second alternative in the first group C<'abc'>. (正規表現中の C<'d'> は文字列中の C<'c'> にマッチングしません - 行き止まりです。このため、二文字後戻りして最初のグループの二番目の選択肢である C<'abc'> を取り出します。) E =item Z<>4. Match C<'a'> followed by C<'b'> followed by C<'c'>. We are on a roll and have satisfied the first group. Set C<$1> to C<'abc'>. (C<'a'>, C<'b'>, C<'c'> と続けてマッチングします。ここで最初のグループが満足されました。C<$1> に C<'abc'> をセットします。) E =item Z<>5 Move on to the second group and pick the first alternative C<'df'>. (二番目のグループへ移動して、最初の選択肢である C<'df'> を取り出します。) E =item Z<>6 Match the C<'d'>. (C<'d'> にマッチングします。) E =item Z<>7. C<'f'> in the regexp doesn't match C<'e'> in the string, so a dead end. Backtrack one character and pick the second alternative in the second group C<'d'>. (正規表現中の C<'f'> は文字列中の C<'e'> にマッチングしません; 行き止まりです。一文字後戻りして二番目のグループの二番目の選択肢 C<'d'> を取り出します。) E =item Z<>8. C<'d'> matches. The second grouping is satisfied, so set C<$2> to C<'d'>. (C<'d'> にマッチングします。二番目のグループは満足されたので、C<$2> に C<'d'> をセットします。) E =item Z<>9. We are at the end of the regexp, so we are done! We have matched C<'abcd'> out of the string C<"abcde">. (正規表現の終端に達しました; これで終わりです!文字列 C<"abcde"> に対して C<'abcd'> がマッチングしました。) =back =begin original There are a couple of things to note about this analysis. First, the third alternative in the second group C<'de'> also allows a match, but we stopped before we got to it - at a given character position, leftmost wins. Second, we were able to get a match at the first character position of the string C<'a'>. If there were no matches at the first position, Perl would move to the second character position C<'b'> and attempt the match all over again. Only when all possible paths at all possible character positions have been exhausted does Perl give up and declare S> to be false. =end original この調査に関して注意すべき点が二、三あります。 第一に、二番目のグループの三番目の選択肢 C<'de'> もまたマッチングしますが、 そこに行く前に停止しました - 与えられた文字の位置で、最も左のものが 優先されるからです。 第二に、文字列の最初の文字が C<'a'> であったのでマッチングできました。 もし最初の位置でマッチングに成功しなければ、Perl は二番目にある文字 C<'b'> へと移動して同じことを繰り返します。 すべての可能な文字位置で、すべての可能な道筋が尽きたときにのみ Perl は マッチングをあきらめ、 S> が失敗したと宣言します。 =begin original Even with all this work, regexp matching happens remarkably fast. To speed things up, Perl compiles the regexp into a compact sequence of opcodes that can often fit inside a processor cache. When the code is executed, these opcodes can then run at full throttle and search very quickly. =end original これだけのことを行ってさえ、正規表現のマッチングは目立って速いものです。 検索速度を向上させるために、Perl は正規表現をコンパクトでしばしば プロセッサのキャッシュに納まるようなオペコードの並びへと変換します。 そのコードが実行されたとき、これらのオペコードはフルスロットルで 走ることができて非常にすばやく検索します。 =head2 Extracting matches (マッチングしたものを取り出す) =begin original The grouping metacharacters C<()> also serve another completely different function: they allow the extraction of the parts of a string that matched. This is very useful to find out what matched and for text processing in general. For each grouping, the part that matched inside goes into the special variables C<$1>, C<$2>, I. They can be used just as ordinary variables: =end original グループ化メタ文字 C<()> はまた、まったく異なる別の機能を有しています: マッチングした文字列の一部分を展開することができるのです。 これは一般的に、マッチングしたものを見つけ出したり、テキスト処理のために 非常に便利なものです。 それぞれのグループ化に対して、マッチングした部分が特殊変数 C<$1>, C<$2> などに 格納されます。 これらの変数は通常の変数と同じように使うことができます: # extract hours, minutes, seconds if ($time =~ /(\d\d):(\d\d):(\d\d)/) { # match hh:mm:ss format $hours = $1; $minutes = $2; $seconds = $3; } =begin original Now, we know that in scalar context, S> returns a true or false value. In list context, however, it returns the list of matched values C<($1,$2,$3)>. So we could write the code more compactly as =end original この例ではスカラコンテキストなので、 S> は真か偽の値を返します。 リストコンテキストでは、マッチングした値のリスト C<($1,$2,$3)> を返します。 ですから、コードをよりコンパクトに # extract hours, minutes, seconds ($hours, $minutes, $second) = ($time =~ /(\d\d):(\d\d):(\d\d)/); =begin original If the groupings in a regexp are nested, C<$1> gets the group with the leftmost opening parenthesis, C<$2> the next opening parenthesis, I. Here is a regexp with nested groups: =end original 正規表現中のグループ化がネストしていた場合、C<$1> は最も左にある 開きかっこによってグループ化されているものを取り、C<$2> は 次の開きかっこによるものを取り…となっていきます。 これがネストしたグループをもつ正規表現です: /(ab(cd|ef)((gi)|j))/; 1 2 34 =begin original If this regexp matches, C<$1> contains a string starting with C<'ab'>, C<$2> is either set to C<'cd'> or C<'ef'>, C<$3> equals either C<'gi'> or C<'j'>, and C<$4> is either set to C<'gi'>, just like C<$3>, or it remains undefined. =end original この正規表現がマッチングすると、C<$1> は C<'ab'> で始まる文字列が入り、 C<$2> は C<'cd'> か C<'ef'> が入り、C<$3> は C<'gi'> か C<'j'> が入り、 C<$4> は C<$3> と同様に C<'gi'> が入るか、未定義のままです。 =begin original For convenience, Perl sets C<$+> to the string held by the highest numbered C<$1>, C<$2>,... that got assigned (and, somewhat related, C<$^N> to the value of the C<$1>, C<$2>,... most-recently assigned; I the C<$1>, C<$2>,... associated with the rightmost closing parenthesis used in the match). =end original 便利のため、Perl は C<$+> に C<$1>, C<$2> などの代入された番号付け変数の 最も数値の大きなものをセットします(そして、C<$^N> には最も最近代入された C<$1>, C<$2> などの値がセットされます; つまり、マッチングにおいて使われた 閉じカッコの中で最も右にあるものに結び付けられたものです)。 =head2 Backreferences (後方参照) =begin original Closely associated with the matching variables C<$1>, C<$2>, ... are the I C<\g1>, C<\g2>,... Backreferences are simply matching variables that can be used I a regexp. This is a really nice feature; what matches later in a regexp is made to depend on what matched earlier in the regexp. Suppose we wanted to look for doubled words in a text, like "the the". The following regexp finds all 3-letter doubles with a space in between: =end original マッチング変数 C<$1>, C<$2> …に密接に結び付けられたものは、 I<後方参照> (backreferences) C<\g1>, C<\g2> …です。 後方参照は正規表現の I<内側> で使うことのできるマッチング変数です。 これは実に良い機能です; 正規表現の中で後でマッチングするものがそれ以前に マッチングしていたものに依存させることができます。 "the the" のように繰り返しされた単語をテキストの中から探したいとしましょう。 以下の正規表現はスペースで分けられた三文字の重複単語を見つけ出します: /\b(\w\w\w)\s\g1\b/; =begin original The grouping assigns a value to C<\g1>, so that the same 3-letter sequence is used for both parts. =end original グループ化は値を C<\g1> にセットするので、同じ三文字の並びが両方のパーツで 使われます。 =begin original A similar task is to find words consisting of two identical parts: =end original 似たような作業としては、同じ部分が 2 回繰り返される単語を 探すというものです: % simple_grep '^(\w\w\w\w|\w\w\w|\w\w|\w)\g1$' /usr/dict/words beriberi booboo coco mama murmur papa =begin original The regexp has a single grouping which considers 4-letter combinations, then 3-letter combinations, I., and uses C<\g1> to look for a repeat. Although C<$1> and C<\g1> represent the same thing, care should be taken to use matched variables C<$1>, C<$2>,... only I a regexp and backreferences C<\g1>, C<\g2>,... only I a regexp; not doing so may lead to surprising and unsatisfactory results. =end original この正規表現は四文字の組み合わせ、三文字の組み合わせなどを扱うただ一つの グループ化を持っています; そして、C<\g1> は繰り返しを探します。 C<$1> と C<\g1> が同じものを表現しているにもかかわらず、マッチング変数 C<$1>, C<$2> …は正規表現の I<外側> のみで用い、 後方参照 C<\g1>, C<\g2> …は正規表現の I<内側> でのみ使うようにすべきです; そうしないと驚くような不満足な結果を招くかもしれません。 =head2 Relative backreferences (相対後方参照) =begin original Counting the opening parentheses to get the correct number for a backreference is error-prone as soon as there is more than one capturing group. A more convenient technique became available with Perl 5.10: relative backreferences. To refer to the immediately preceding capture group one now may write C<\g{-1}>, the next but last is available via C<\g{-2}>, and so on. =end original 後方参照で正しい番号を得るために開きかっこを数えるということは、捕捉 グループが複数になるとすぐに間違いを起こしがちになります。 より便利なテクニックである相対後方参照が Perl 5.10 で利用可能です。 直前の捕捉グループを参照するためには C<\g{-1}> と書き、その手前は C<\g{-2}>、などとなります。 =begin original Another good reason in addition to readability and maintainability for using relative backreferences is illustrated by the following example, where a simple pattern for matching peculiar strings is used: =end original 相対後方参照を使うことの、可読性と保守性に加えたよい理由は、以下の、 特定の文字列をマッチングするための単純なパターンが使われている例で示します: $a99a = '([a-z])(\d)\g2\g1'; # matches a11a, g22g, x33x, etc. =begin original Now that we have this pattern stored as a handy string, we might feel tempted to use it as a part of some other pattern: =end original ここで、このパターンを便利な文字列として持つことになったので、 これを他のパターンの一部として使いたいと思うかもしれません: $line = "code=e99e"; if ($line =~ /^(\w+)=$a99a$/){ # unexpected behavior! print "$1 is valid\n"; } else { print "bad line: '$line'\n"; } =begin original But this doesn't match, at least not the way one might expect. Only after inserting the interpolated C<$a99a> and looking at the resulting full text of the regexp is it obvious that the backreferences have backfired. The subexpression C<(\w+)> has snatched number 1 and demoted the groups in C<$a99a> by one rank. This can be avoided by using relative backreferences: =end original しかしこれはマッチングしません; 少なくとも予想した通りには。 変数展開された C<$a99a> を挿入した後でだけ、結果となる 正規表現のテキストを見ると、後方参照が逆効果となるのは明らかです。 部分式 C<(\w+)> が 1 番を奪ってしまい、C<$a99a> のグループが 1 つ格下げになります。 これは相対後方参照を使うことで回避できます: $a99a = '([a-z])(\d)\g{-1}\g{-2}'; # safe for being interpolated =head2 Named backreferences (名前付き後方参照) =begin original Perl 5.10 also introduced named capture groups and named backreferences. To attach a name to a capturing group, you write either C<< (?...) >> or C<< (?'name'...) >>. The backreference may then be written as C<\g{name}>. It is permissible to attach the same name to more than one group, but then only the leftmost one of the eponymous set can be referenced. Outside of the pattern a named capture group is accessible through the C<%+> hash. =end original Perl 5.10 では名前付きグループと名前付き後方参照も導入されました。 捕捉グループに名前を付けるために、C<< (?...) >> または C<< (?'name'...) >> と書けます。 後方参照は C<\g{name}> と書けます。 複数のグループに同じ名前を付けることは出来ますが、一番左のものだけが 参照可能です。 パターンの外側では、名前付き捕捉グループは C<%+> ハッシュを通して アクセスできます。 =begin original Assuming that we have to match calendar dates which may be given in one of the three formats yyyy-mm-dd, mm/dd/yyyy or dd.mm.yyyy, we can write three suitable patterns where we use C<'d'>, C<'m'> and C<'y'> respectively as the names of the groups capturing the pertaining components of a date. The matching operation combines the three patterns as alternatives: =end original yyyy-mm-dd, mm/dd/yyyy, dd.mm.yyyy の 3 つの形式のどれか 1 つで 与えられる日付とマッチングしなければならないと仮定すると、 C<'d'>, C<'m'>, C<'y'> をそれぞれ日付の要素を捕捉するグループの名前として 使って、三つの適合するパターンを書けます。 マッチング操作は 3 つのパターンの選択として結合します: $fmt1 = '(?\d\d\d\d)-(?\d\d)-(?\d\d)'; $fmt2 = '(?\d\d)/(?\d\d)/(?\d\d\d\d)'; $fmt3 = '(?\d\d)\.(?\d\d)\.(?\d\d\d\d)'; for my $d qw( 2006-10-21 15.01.2007 10/31/2005 ){ if ( $d =~ m{$fmt1|$fmt2|$fmt3} ){ print "day=$+{d} month=$+{m} year=$+{y}\n"; } } =begin original If any of the alternatives matches, the hash C<%+> is bound to contain the three key-value pairs. =end original もし他のマッチングがある場合は、ハッシュ C<%+> は 3 つのキー-値の組が 含まれることになります。 =head2 Alternative capture group numbering (選択捕捉グループ番号付け) =begin original Yet another capturing group numbering technique (also as from Perl 5.10) deals with the problem of referring to groups within a set of alternatives. Consider a pattern for matching a time of the day, civil or military style: =end original もう一つのグループの番号付けの技術 (これも Perl 5.10 からです) は、 選択の集合の中にあるグループを参照する問題を扱います。 民間形式と軍形式の時刻にマッチングするパターンを考えます: if ( $time =~ /(\d\d|\d):(\d\d)|(\d\d)(\d\d)/ ){ # process hour and minute } =begin original Processing the results requires an additional if statement to determine whether C<$1> and C<$2> or C<$3> and C<$4> contain the goodies. It would be easier if we could use group numbers 1 and 2 in second alternative as well, and this is exactly what the parenthesized construct C<(?|...)>, set around an alternative achieves. Here is an extended version of the previous pattern: =end original 結果の処理には、C<$1> と C<$2>、または C<$3> と C<$4> に有用なものが 含まれれているかを決定するために追加の if 文が必要です。 2 番目の選択肢にもグループ番号 1 と 2 をつけられればより簡単になります; これがまさに、選択肢の周りにかっこをつけた構造 C<(?|...)> が 意味するものです。 これは以前のパターンの拡張版です: if($time =~ /(?|(\d\d|\d):(\d\d)|(\d\d)(\d\d))\s+([A-Z][A-Z][A-Z])/){ print "hour=$1 minute=$2 zone=$3\n"; } =begin original Within the alternative numbering group, group numbers start at the same position for each alternative. After the group, numbering continues with one higher than the maximum reached across all the alternatives. =end original 選択番号付けグループの中で、グループ番号はそれぞれの選択に対して 同じ位置から始まります。 このグループの後、番号付けは全ての選択の中での最大値に 1 を加えた値から 続行します。 =head2 Position information (位置情報) =begin original In addition to what was matched, Perl also provides the positions of what was matched as contents of the C<@-> and C<@+> arrays. C<$-[0]> is the position of the start of the entire match and C<$+[0]> is the position of the end. Similarly, C<$-[n]> is the position of the start of the C<$n> match and C<$+[n]> is the position of the end. If C<$n> is undefined, so are C<$-[n]> and C<$+[n]>. Then this code =end original マッチングしたものに加えて、Perl ではマッチングしたものの位置を C<@-> と C<@+> という配列の中身によって提供します。 C<$-[0]> はマッチング全体の開始位置で、C<$+[0]> はマッチング全体の 終了位置です。 同様に、 C<$-[n]> は C<$n> の開始位置であり C<$+[n]> はその終了位置です。 C<$n> が未定義であった場合には、C<$-[n]> と C<$+[n]> もまた未定義です。 従ってこのコードは $x = "Mmm...donut, thought Homer"; $x =~ /^(Mmm|Yech)\.\.\.(donut|peas)/; # matches foreach $exp (1..$#-) { print "Match $exp: '${$exp}' at position ($-[$exp],$+[$exp])\n"; } =begin original prints =end original 以下の出力を行います Match 1: 'Mmm' at position (0,3) Match 2: 'donut' at position (6,11) =begin original Even if there are no groupings in a regexp, it is still possible to find out what exactly matched in a string. If you use them, Perl will set C<$`> to the part of the string before the match, will set C<$&> to the part of the string that matched, and will set C<'$'> to the part of the string after the match. An example: =end original グループ化を正規表現で使っていなかったとしても、文字列の中で実際に マッチングしたものを見つけ出すことが可能です。 正規表現を使ったとき、 Perl は C<$`> に文字列のマッチングした部分より前の部分を セットし、 C<$&> にはマッチングした部分をセットし、そして C<'$'> には マッチングした部分より後の部分をセットします。 例: $x = "the cat caught the mouse"; $x =~ /cat/; # $` = 'the ', $& = 'cat', $' = ' caught the mouse' $x =~ /the/; # $` = '', $& = 'the', $' = ' cat caught the mouse' =begin original In the second match, C<$`> equals C<''> because the regexp matched at the first character position in the string and stopped; it never saw the second "the". =end original 二番目のマッチングでは、C<$`> は C<''> となります; なぜなら、正規表現は文字列の最初の文字位置でマッチングして止まっているからで、 二番目の "the" を決して見ないからなのです。 =begin original If your code is to run on Perl versions earlier than 5.20, it is worthwhile to note that using C<$`> and C<'$'> slows down regexp matching quite a bit, while C<$&> slows it down to a lesser extent, because if they are used in one regexp in a program, they are generated for I regexps in the program. So if raw performance is a goal of your application, they should be avoided. If you need to extract the corresponding substrings, use C<@-> and C<@+> instead: =end original コードを 5.20 より前のバージョンの Perl で動かしている場合、 C<$`> や C<'$'> を使うことは正規表現マッチングを目立って遅くさせることに 注意する価値があります; 一方 C<$&> も遅くなる原因です; なぜなら、プログラムの中の正規表現でこれらを使ったならばプログラムの中の I<すべて> の正規表現に対してこれらが生成されるからです。 ですから、生のパフォーマンスがあなたの作るアプリケーションのゴールで あるならば、これらを排除すべきです。 もし対応する部分文字列の展開が必要なら、代わりに C<@-> とC<@+> を 使いましょう: =begin original $` is the same as substr( $x, 0, $-[0] ) $& is the same as substr( $x, $-[0], $+[0]-$-[0] ) $' is the same as substr( $x, $+[0] ) =end original $` は substr( $x, 0, $-[0] ) と同じです $& は substr( $x, $-[0], $+[0]-$-[0] ) と同じです $' は substr( $x, $+[0] ) と同じです =begin original As of Perl 5.10, the C<${^PREMATCH}>, C<${^MATCH}> and C<${^POSTMATCH}> variables may be used. These are only set if the C

modifier is present. Consequently they do not penalize the rest of the program. In Perl 5.20, C<${^PREMATCH}>, C<${^MATCH}> and C<${^POSTMATCH}> are available whether the C

has been used or not (the modifier is ignored), and C<$`>, C<'$'> and C<$&> do not cause any speed difference. =end original Perl 5.10 から、C<${^PREMATCH}>, C<${^MATCH}>, C<${^POSTMATCH}> 変数が 使えます。 これらは C

修飾子があるときにのみ設定されます。 従って、これらはプログラムの残りの部分では不利益にはなりません。 Perl 5.20 では、C<${^PREMATCH}>, C<${^MATCH}>, C<${^POSTMATCH}> は C

は あってもなくても使えるようになり(この修飾子は無視されます)、C<$`>, C<'$'>, C<$&> を使っても速度が変わらなくなりました。 =head2 Non-capturing groupings (捕捉しないグループ化) =begin original A group that is required to bundle a set of alternatives may or may not be useful as a capturing group. If it isn't, it just creates a superfluous addition to the set of available capture group values, inside as well as outside the regexp. Non-capturing groupings, denoted by C<(?:regexp)>, still allow the regexp to be treated as a single unit, but don't establish a capturing group at the same time. Both capturing and non-capturing groupings are allowed to co-exist in the same regexp. Because there is no extraction, non-capturing groupings are faster than capturing groupings. Non-capturing groupings are also handy for choosing exactly which parts of a regexp are to be extracted to matching variables: =end original 選択肢の集合をまとめるために必要なグループは、捕捉グループとして 有用な場合もありますし、有用でない場合もあります。 有用でない場合は、これは正規表現の内外で、無駄な捕捉グループ値を 作ることになります。 非捕捉グループ化は C<(?:regexp)> のように表記され regexp を一つの ユニットのように扱うことができるようにしますが、同時に捕捉グループを 作成することはしません。 捕捉するグループ化と捕捉しないグループ化の両方が同じ正規表現の 中で共存することができます。 部分文字列の抜き出しをしないので、非捕捉グループ化は捕捉する グループ化よりも高速です。 非捕捉グループ化はマッチング変数を使って抽出する正規表現の部分を 選択するのに便利です: # match a number, $1-$4 are set, but we only want $1 /([+-]?\ *(\d+(\.\d*)?|\.\d+)([eE][+-]?\d+)?)/; # match a number faster , only $1 is set /([+-]?\ *(?:\d+(?:\.\d*)?|\.\d+)(?:[eE][+-]?\d+)?)/; # match a number, get $1 = whole number, $2 = exponent /([+-]?\ *(?:\d+(?:\.\d*)?|\.\d+)(?:[eE]([+-]?\d+))?)/; =begin original Non-capturing groupings are also useful for removing nuisance elements gathered from a split operation where parentheses are required for some reason: =end original 非捕捉グループ化は、なんらかの理由でかっこが必要なところで、split 操作が もたらす不愉快な要素を取り除くのにも便利です: $x = '12aba34ba5'; @num = split /(a|b)+/, $x; # @num = ('12','a','34','a','5') @num = split /(?:a|b)+/, $x; # @num = ('12','34','5') =begin original In Perl 5.22 and later, all groups within a regexp can be set to non-capturing by using the new C flag: =end original Perl 5.22 以降では、正規表現中の全てのグループは、新しい C フラグを使うことで非捕捉になります: "hello" =~ /(hi|hello)/n; # $1 is not set! =begin original See L for more information. =end original さらなる情報については L を参照してください。 =head2 Matching repetitions (マッチングの繰り返し) =begin original The examples in the previous section display an annoying weakness. We were only matching 3-letter words, or chunks of words of 4 letters or less. We'd like to be able to match words or, more generally, strings of any length, without writing out tedious alternatives like C<\w\w\w\w|\w\w\w|\w\w|\w>. =end original 先のセクションの例では、腹立たしい弱点が明らかになりました。 三文字の単語か、四文字以下の文字の塊にだけマッチングしていました。 C<\w\w\w\w|\w\w\w|\w\w|\w> のような長たらしい選択を書くことなしに任意の 長さの単語やより一般的には、文字列にマッチングさせたいのです。 =begin original This is exactly the problem the I metacharacters C<'?'>, C<'*'>, C<'+'>, and C<{}> were created for. They allow us to delimit the number of repeats for a portion of a regexp we consider to be a match. Quantifiers are put immediately after the character, character class, or grouping that we want to specify. They have the following meanings: =end original これは、C<'?'>, C<'*'>, C<'+'>, C<{}> といった I<量指定子> (quantifier) メタ文字が作られる元となった問題です。 これらはマッチングさせたいと考えている正規表現の一部分の繰り返し回数を 指定できます。 量指定子は繰り返しを指定したい文字、文字クラス、またはグループの直後に 置きます。 これらは以下のような意味があります: =over 4 =item * =begin original C means: match C<'a'> 1 or 0 times =end original C は: C<'a'> または空文字列にマッチングします。 =item * =begin original C means: match C<'a'> 0 or more times, I, any number of times =end original C は: C<'a'> のゼロ回以上の繰り返しにマッチングします。 =item * =begin original C means: match C<'a'> 1 or more times, I, at least once =end original C は: C<'a'> の一回以上の繰り返しにマッチングします。 =item * =begin original C means: match at least C times, but not more than C times. =end original C は: C 回以上 C 回以下の繰り返しにマッチングします。 =item * =begin original C means: match at least C or more times =end original C は: C 回以上の繰り返しにマッチングします。 =item * =begin original C means: match exactly C times =end original C は: C 回の繰り返しにマッチングします。 =back =begin original Here are some examples: =end original 以下にいくつか例を挙げます: =begin original /[a-z]+\s+\d*/; # match a lowercase word, at least one space, and # any number of digits /(\w+)\s+\g1/; # match doubled words of arbitrary length /y(es)?/i; # matches 'y', 'Y', or a case-insensitive 'yes' $year =~ /^\d{2,4}$/; # make sure year is at least 2 but not more # than 4 digits $year =~ /^\d{4}$|^\d{2}$/; # better match; throw out 3-digit dates $year =~ /^\d{2}(\d{2})?$/; # same thing written differently. # However, this captures the last two # digits in $1 and the other does not. =end original /[a-z]+\s+\d*/; # 小文字の単語、幾つかの空白、それに続く任意の長さの # 数字にマッチング /(\w+)\s+\g1/; # 任意の長さの単語の重複にマッチング /y(es)?/i; # 'y', 'Y', または大小文字を無視して 'yes' にマッチング $year =~ /^\d{2,4}$/; # 年が少なくとも2桁あるが最大でも4桁になるように # する $year =~ /^\d{4}|\d{2}$/; # もっと良い; 3桁をはじく $year =~ /^\d{2}(\d{2})?$/;# 同じことの違うやり方。しかし、この例では # $1 を生成する。 % simple_grep '^(\w+)\g1$' /usr/dict/words # isn't this easier? beriberi booboo coco mama murmur papa =begin original For all of these quantifiers, Perl will try to match as much of the string as possible, while still allowing the regexp to succeed. Thus with C, Perl will first try to match the regexp with the C<'a'> present; if that fails, Perl will try to match the regexp without the C<'a'> present. For the quantifier C<'*'>, we get the following: =end original これらの量指定子のすべてで、Perl は正規表現のマッチングが成功するのを許す範囲で 可能な限りの文字列をマッチングさせようとします。 したがって、C があったとき、Perl は最初に C<'a'> があるものとして 正規表現のマッチングを試みます; もしそれが失敗したら、Perl は C<'a'> が ないものとして正規表現のマッチングを試みます。 量指定子 C<'*'> に関して、以下のようになります: $x = "the cat in the hat"; $x =~ /^(.*)(cat)(.*)$/; # matches, # $1 = 'the ' # $2 = 'cat' # $3 = ' in the hat' =begin original Which is what we might expect, the match finds the only C in the string and locks onto it. Consider, however, this regexp: =end original これはおそらく期待したもので、文字列の中の C だけを見つけ出して マッチングします。 しかし、次の例で考えてみましょう: $x =~ /^(.*)(at)(.*)$/; # matches, # $1 = 'the cat in the h' # $2 = 'at' # $3 = '' (0 characters match) =begin original One might initially guess that Perl would find the C in C and stop there, but that wouldn't give the longest possible string to the first quantifier C<.*>. Instead, the first quantifier C<.*> grabs as much of the string as possible while still having the regexp match. In this example, that means having the C sequence with the final C in the string. The other important principle illustrated here is that, when there are two or more elements in a regexp, the I quantifier, if there is one, gets to grab as much of the string as possible, leaving the rest of the regexp to fight over scraps. Thus in our example, the first quantifier C<.*> grabs most of the string, while the second quantifier C<.*> gets the empty string. Quantifiers that grab as much of the string as possible are called I or I quantifiers. =end original Perl は C の C を見つけて、そこでストップするだろうと考える人が いるかもしれませんが、それでは最初の量指定子 C<.*> に可能な限りの長い 文字列を与えてはいません。 その代わりに、最初の量指定子 C<.*> は正規表現がマッチングする範囲で可能な限りの 長い文字列をつかみとります。 この例では C が文字列の最後の C になるということを意味します。 ここで明らかになるもう一つの重要な規則は二つ以上の要素が正規表現の中に あるときには、I<最も左にある> 量指定子が可能な限りの長さの文字列を つかみとり、正規表現の残りの部分がどうであるかは放っておくというものです。 したがってこの例では、最初の量指定子 C<.*> は文字列のほとんどをつかみ、 二番目の量指定子 C<.*> は空文字列をつかみます。 可能な限りの文字列をつかみとる量指定子は I<最長マッチング> とか I<貪欲> (greedy) であると呼ばれます。 =begin original When a regexp can match a string in several different ways, we can use the principles above to predict which way the regexp will match: =end original 正規表現が幾つかの異なる道筋で文字列にマッチングすることが可能なとき、 正規表現がどのようにマッチングするかを予測するために以下の法則を 使うことができます: =over 4 =item * =begin original Principle 0: Taken as a whole, any regexp will be matched at the earliest possible position in the string. =end original 法則 0: 全体で、任意の正規表現は文字列中の可能な限り先頭に近い場所で マッチングする。 =item * =begin original Principle 1: In an alternation C, the leftmost alternative that allows a match for the whole regexp will be the one used. =end original 法則 1: 選択 C の中で、正規表現全体がマッチングする中で最も左の 選択肢が使われる。 =item * =begin original Principle 2: The maximal matching quantifiers C<'?'>, C<'*'>, C<'+'> and C<{n,m}> will in general match as much of the string as possible while still allowing the whole regexp to match. =end original 法則 2: 最大マッチング量指定子 C<'?'>, C<'*'>, C<'+'>, C<{n,m}> は 正規表現全体がマッチングする中で最も長い文字列にマッチングする。 =item * =begin original Principle 3: If there are two or more elements in a regexp, the leftmost greedy quantifier, if any, will match as much of the string as possible while still allowing the whole regexp to match. The next leftmost greedy quantifier, if any, will try to match as much of the string remaining available to it as possible, while still allowing the whole regexp to match. And so on, until all the regexp elements are satisfied. =end original 法則 3: 正規表現の中に二つ以上の要素があったならば、貪欲な量指定子が もしあれば、その中で最も左にあるものが正規表現全体がマッチングする条件に おいて可能な限りの長さでマッチングする。 次の貪欲な量指定子があれば、それは残りの中で正規表現全体がマッチングする 条件において最も長い文字列にマッチングする。 これをすべての正規表現要素が満足されるまで繰り返す。 =back =begin original As we have seen above, Principle 0 overrides the others. The regexp will be matched as early as possible, with the other principles determining how the regexp matches at that earliest character position. =end original すでに見たように、法則 0 は他のものを上書きしています。 正規表現は可能な限り早い地点でマッチングしようとし、他の法則はその正規表現が どのようにその最も早く現れた文字位置でマッチングするかを決定しています。 =begin original Here is an example of these principles in action: =end original 以下はこれらの法則をアクションの中で示した例です: $x = "The programming republic of Perl"; $x =~ /^(.+)(e|r)(.*)$/; # matches, # $1 = 'The programming republic of Pe' # $2 = 'r' # $3 = 'l' =begin original This regexp matches at the earliest string position, C<'T'>. One might think that C<'e'>, being leftmost in the alternation, would be matched, but C<'r'> produces the longest string in the first quantifier. =end original この正規表現は最も早い文字列位置 C<'T'> でマッチングします。 選択の中で最も左にある C<'e'> がマッチングすると考えた人が いるかもしれませんが、C<'r'> が最初の量指定子に関して最長の文字列を 生成します。 $x =~ /(m{1,2})(.*)$/; # matches, # $1 = 'mm' # $2 = 'ing republic of Perl' =begin original Here, The earliest possible match is at the first C<'m'> in C. C is the first quantifier, so it gets to match a maximal C. =end original ここで、最も早い可能な位置は C の中の最初の C<'m'> です。 C は最初の量指定子なので、最も長い C にマッチングするのです。 $x =~ /.*(m{1,2})(.*)$/; # matches, # $1 = 'm' # $2 = 'ing republic of Perl' =begin original Here, the regexp matches at the start of the string. The first quantifier C<.*> grabs as much as possible, leaving just a single C<'m'> for the second quantifier C. =end original これは、文字列の先頭で正規表現はマッチングします。 最初の量指定子 C<.*> は可能な限りの部分をつかみとり、二番目の量指定子 C のためには C<'m'> 一文字しか残しません。 $x =~ /(.?)(m{1,2})(.*)$/; # matches, # $1 = 'a' # $2 = 'mm' # $3 = 'ing republic of Perl' =begin original Here, C<.?> eats its maximal one character at the earliest possible position in the string, C<'a'> in C, leaving C the opportunity to match both C<'m'>'s. Finally, =end original この例では、C<.?> は文字列の中で可能な限り早い場所での最大一文字、つまり C の中の C<'a'> をつかみとります; C は両方の C<'m'> に マッチングする機会を与えられます。 最終的に、 "aXXXb" =~ /(X*)/; # matches with $1 = '' =begin original because it can match zero copies of C<'X'> at the beginning of the string. If you definitely want to match at least one C<'X'>, use C, not C. =end original そしてこうなるわけは、文字列の先頭にある C<'X'> のゼロ回の繰り返しに マッチングすることができるからです。 少なくとも一つの C<'X'> にマッチングさせたいのであるなら、C ではなく C を使いましょう。 =begin original Sometimes greed is not good. At times, we would like quantifiers to match a I piece of string, rather than a maximal piece. For this purpose, Larry Wall created the I or I quantifiers C, C<*?>, C<+?>, and C<{}?>. These are the usual quantifiers with a C<'?'> appended to them. They have the following meanings: =end original 貪欲であることがよくない場合もあります。 文字列の最大の部分ではなく 最小の部分にマッチングする量指定子が欲しいときが あります。 この目的のために、Larry Wall は I<最小マッチング>(minimal match) あるいは I<無欲な>(non-greedy) 量指定子 C, C<*?>, C<+?>, C<{}?> を 作り出しました。 これらは通常の量指定子に C<'?'> を付け加えたものです。 これらは以下のような意味があります: =over 4 =item * =begin original C means: match C<'a'> 0 or 1 times. Try 0 first, then 1. =end original C は: 0 回か 1 回の C<'a'> にマッチングします。 はじめに 0 回を試し、それから 1 回を試します。 =item * =begin original C means: match C<'a'> 0 or more times, I, any number of times, but as few times as possible =end original C は: C<'a'> のゼロ回以上の繰り返しにマッチングします; 任意回の繰り返しができますが、可能な限り少ない回数になります。 =item * =begin original C means: match C<'a'> 1 or more times, I, at least once, but as few times as possible =end original C は: C<'a'> の一回以上の繰り返しにマッチングします; 一回以上の任意回の繰り返しができますが、可能な限り少ない回数になります。 =item * =begin original C means: match at least C times, not more than C times, as few times as possible =end original C は: C 回以上 C 回以下の繰り返しにマッチングしますが、可能な 限り少ない回数になります。 =item * =begin original C means: match at least C times, but as few times as possible =end original C は: 少なくとも C 回の繰り返しにマッチングしますが、可能な限り 少ない回数になります。 =item * =begin original C means: match exactly C times. Because we match exactly C times, C is equivalent to C and is just there for notational consistency. =end original C は: ちょうど C 回の繰り返しにマッチングします。 ちょうど C 回なので、C は C と等価であり、一貫性のためだけに 存在します。 =back =begin original Let's look at the example above, but with minimal quantifiers: =end original 先の例を最小量指定子を使ったものにしてみましょう: $x = "The programming republic of Perl"; $x =~ /^(.+?)(e|r)(.*)$/; # matches, # $1 = 'Th' # $2 = 'e' # $3 = ' programming republic of Perl' =begin original The minimal string that will allow both the start of the string C<'^'> and the alternation to match is C, with the alternation C matching C<'e'>. The second quantifier C<.*> is free to gobble up the rest of the string. =end original マッチングするために文字列の開始位置 C<'^'> と選択の両方を満足する最小の 文字列は C で、選択 C は C<'e'> にマッチングします。 二番目の量指定子 C<.*> は文字列の残りから自由につかみとることができます。 $x =~ /(m{1,2}?)(.*?)$/; # matches, # $1 = 'm' # $2 = 'ming republic of Perl' =begin original The first string position that this regexp can match is at the first C<'m'> in C. At this position, the minimal C matches just one C<'m'>. Although the second quantifier C<.*?> would prefer to match no characters, it is constrained by the end-of-string anchor C<'$'> to match the rest of the string. =end original この正規表現がマッチングすることのできる文字列の最初の位置は C の中の最初の C<'m'> です。 この位置で、最小マッチング C はただ一つの C<'m'> です。 二番目の量指定子 C<.*?> が空にマッチングしようとしますがそれは文字列の 終端アンカー C<'$'> が阻止して、文字列の残りにマッチングします。 $x =~ /(.*?)(m{1,2}?)(.*)$/; # matches, # $1 = 'The progra' # $2 = 'm' # $3 = 'ming republic of Perl' =begin original In this regexp, you might expect the first minimal quantifier C<.*?> to match the empty string, because it is not constrained by a C<'^'> anchor to match the beginning of the word. Principle 0 applies here, however. Because it is possible for the whole regexp to match at the start of the string, it I match at the start of the string. Thus the first quantifier has to match everything up to the first C<'m'>. The second minimal quantifier matches just one C<'m'> and the third quantifier matches the rest of the string. =end original この正規表現において、最小量指定子 C<.*?> は空文字列にマッチングすると 考えるかもしれませんが、C<'^'> アンカーが単語の先頭にマッチングすることを 強制していません。 法則 0 がここで適用されます。 文字列の先頭で正規表現全体をマッチングさせることが可能なので、文字列の先頭で マッチング I<します>。 したがって、最初の量指定子は最初の C<'m'> までにマッチングします。 二番目の最小量指定子はただ一文字の C<'m'> にマッチングして、三番目の量指定子が 文字列の残りにマッチングします。 $x =~ /(.??)(m{1,2})(.*)$/; # matches, # $1 = 'a' # $2 = 'mm' # $3 = 'ing republic of Perl' =begin original Just as in the previous regexp, the first quantifier C<.??> can match earliest at position C<'a'>, so it does. The second quantifier is greedy, so it matches C, and the third matches the rest of the string. =end original 先の正規表現と同じようですが、最初の量指定子 C<.??> は最初の C<'a'> の 位置でマッチングできるのでそうします。 二番目の量指定子は貪欲なので C にマッチングし、三番目のものが文字列の 残りにマッチングします。 =begin original We can modify principle 3 above to take into account non-greedy quantifiers: =end original 先に挙げた法則 3 を、無欲な量指定子を考慮したものにするために修正します: =over 4 =item * =begin original Principle 3: If there are two or more elements in a regexp, the leftmost greedy (non-greedy) quantifier, if any, will match as much (little) of the string as possible while still allowing the whole regexp to match. The next leftmost greedy (non-greedy) quantifier, if any, will try to match as much (little) of the string remaining available to it as possible, while still allowing the whole regexp to match. And so on, until all the regexp elements are satisfied. =end original 法則 3: 正規表現の中に二つ以上の要素があったならば、貪欲な量指定子(もしくは 無欲な量指定子)がもしあれば、その中で最も左にあるものが 正規表現全体がマッチングする条件において可能な限りの長さでマッチングする。 次の貪欲な量指定子(もしくは無欲な量指定子)があれば、それは残りの中で 正規表現全体がマッチングする条件において最も長い(最も短い)文字列にマッチングする。 これをすべての正規表現要素が満足されるまで繰り返す。 =back =begin original Just like alternation, quantifiers are also susceptible to backtracking. Here is a step-by-step analysis of the example =end original 選択と同じように、量指定子もまたバックトラッキングを行う可能性があります。 以下はステップごとに追った例です $x = "the cat in the hat"; $x =~ /^(.*)(at)(.*)$/; # matches, # $1 = 'the cat in the h' # $2 = 'at' # $3 = '' (0 matches) =over 4 =item Z<>0. Start with the first letter in the string C<'t'>. (Z<>0. 文字列の最初の文字 C<'t'> で始まる。) E =item Z<>1. The first quantifier C<'.*'> starts out by matching the whole string "C". (Z<>1. 最初の量指定子 C<'.*'> は文字列全体 "C" にまずはじめにマッチングする。) E =item Z<>2. C<'a'> in the regexp element C<'at'> doesn't match the end of the string. Backtrack one character. (Z<>2. 正規表現要素 C<'at'> の C<'a'> は文字列の末尾にマッチングしない。一文字後戻りする。) E =item Z<>3. C<'a'> in the regexp element C<'at'> still doesn't match the last letter of the string C<'t'>, so backtrack one more character. (Z<>3. 正規表現要素 C<'at'> の C<'a'> は文字列の最後の文字 C<'t'> にマッチングしないので、更に一文字後戻りする。) E =item Z<>4. Now we can match the C<'a'> and the C<'t'>. (Z<>4. ここで C<'a'> と C<'t'> にマッチングすることができる。) E =item Z<>5. Move on to the third element C<'.*'>. Since we are at the end of the string and C<'.*'> can match 0 times, assign it the empty string. (三番目の要素 C<'.*'> に移る。文字列の末尾に位置していて、C<'.*'> は 0 回の繰り返しにマッチングすることができるので空文字列を代入する。) E =item Z<>6. We are done! (完了!) =back =begin original Most of the time, all this moving forward and backtracking happens quickly and searching is fast. There are some pathological regexps, however, whose execution time exponentially grows with the size of the string. A typical structure that blows up in your face is of the form =end original ほとんどの場合、前方への移動と後戻りが起こったときには迅速に行われ、 検索は高速です。 しかしながら、中には文字列の長さに応じて指数的に実行時間が延びるような 病理学的(pathological)な正規表現もあります。 そのようなものの例は以下のようなものです /(a|b+)*/; =begin original The problem is the nested indeterminate quantifiers. There are many different ways of partitioning a string of length n between the C<'+'> and C<'*'>: one repetition with C of length n, two repetitions with the first C length k and the second with length n-k, m repetitions whose bits add up to length n, I. In fact there are an exponential number of ways to partition a string as a function of its length. A regexp may get lucky and match early in the process, but if there is no match, Perl will try I possibility before giving up. So be careful with nested C<'*'>'s, C<{n,m}>'s, and C<'+'>'s. The book I by Jeffrey Friedl gives a wonderful discussion of this and other efficiency issues. =end original 問題は不確定のネストした量指定子があることです。 C<'+'> と C<'*'> の間にある長さ n の文字列には複数の異なる分け方が存在します: 一つは長さ n の C で、二つ目は長さ k の C と n-k の長さのもの、 繰り返し m は長さ n まで加える、などです。 長さの関数として文字列を分割する方法の数は指数的な数になります。 正規表現は幸運なときには処理の早い段階でマッチングに成功するかもしれませんが、 マッチングしなかった場合には Perl は音を上げるまで I<すべての> 可能性を 試します。 ですから、ネストした C<'*'>, C<{n,m}>, C<'+'> には注意してください。 Jeffrey Friedl による I (邦訳 「詳説正規表現」) という本はこういった効率の問題についてすばらしい 解説をしています。 =head2 Possessive quantifiers (絶対最大量指定子) =begin original Backtracking during the relentless search for a match may be a waste of time, particularly when the match is bound to fail. Consider the simple pattern =end original マッチングのための容赦ない検索中のバックトラッキングは時間の無駄の場合が あります; とくにマッチングが失敗する運命にあるときはそうです。 簡単なパターンを考えてみます /^\w+\s+\w+$/; # a word, spaces, a word =begin original Whenever this is applied to a string which doesn't quite meet the pattern's expectations such as S> or S>, the regexp engine will backtrack, approximately once for each character in the string. But we know that there is no way around taking I of the initial word characters to match the first repetition, that I spaces must be eaten by the middle part, and the same goes for the second word. =end original これが、S> や S> のような、パターンが 想定していなかったような文字列に適用されると、正規表現エンジンは 文字列のそれぞれの文字に対してほぼ 1 回バックトラックを行います。 しかし、私たちは I<全ての> 最初の単語文字列が最初の繰り返しにマッチングし、 I<全ての> 空白が中間の部分で消費され、2 番目の単語も同じように なるしかない、ということを知っています。 =begin original With the introduction of the I in Perl 5.10, we have a way of instructing the regexp engine not to backtrack, with the usual quantifiers with a C<'+'> appended to them. This makes them greedy as well as stingy; once they succeed they won't give anything back to permit another solution. They have the following meanings: =end original Perl 5.10 での I<絶対最大量指定子> の導入によって、 普通の量指定子に C<'+'> を追加することで、正規表現エンジンに バックトラックしないように指示することができるようになります。 これは貪欲であるのと同様出し惜しみをするようにします; 一旦マッチングすると、 他の解決策のために手放すということをしなくなります。 これらは以下のような意味があります: =over 4 =item * =begin original C means: match at least C times, not more than C times, as many times as possible, and don't give anything up. C is short for C =end original C は: 最小で C 回、最大で C 回の間で出来るだけたくさん マッチングし、そして何も手放しません。 C は C の省略形です。 =item * =begin original C means: match at least C times, but as many times as possible, and don't give anything up. C is short for C and C is short for C. =end original C は: 最小で C 回で出来るだけたくさんマッチングし、 そして何も手放しません。 C は C の省略形で、C は C の省略形です。 =item * =begin original C means: match exactly C times. It is just there for notational consistency. =end original C は: 正確に C 回にマッチングします。 これは単に一貫性のためにあります。 =back =begin original These possessive quantifiers represent a special case of a more general concept, the I, see below. =end original これらの絶対最大量指定子は、以下で述べる、より一般的な概念である I<独立部分式> の特殊な場合を表現しています。 =begin original As an example where a possessive quantifier is suitable we consider matching a quoted string, as it appears in several programming languages. The backslash is used as an escape character that indicates that the next character is to be taken literally, as another character for the string. Therefore, after the opening quote, we expect a (possibly empty) sequence of alternatives: either some character except an unescaped quote or backslash or an escaped character. =end original 絶対最大量指定子がふさわしい例として、いくつかのプログラミング言語で 現れるような、クォートされた文字列のマッチングを考えます。 バックスラッシュは次の文字が他の文字と同様リテラルに扱われることを示す エスケープ文字として使われます。 従って、開きクォートの後、選択肢の(空かもしれない)並びを想定します: エスケープされていないクォート文字以外の何らかの文字か、 バックスラッシュか、エスケープされた文字です。 /"(?:[^"\\]++|\\.)*+"/; =head2 Building a regexp (正規表現を組み立てる) =begin original At this point, we have all the basic regexp concepts covered, so let's give a more involved example of a regular expression. We will build a regexp that matches numbers. =end original ここまでで、すべての基本的な正規表現のコンセプトをカバーしました; ですから、もっと複雑な正規表現に行ってみましょう。 例として、数値にマッチングする正規表現を組み立てます。 =begin original The first task in building a regexp is to decide what we want to match and what we want to exclude. In our case, we want to match both integers and floating point numbers and we want to reject any string that isn't a number. =end original 正規表現を組み立てるにあたっての最初の仕事は何にマッチングさせるかと何を 排除するかを決めることです。 今回は、整数と浮動小数点数の両方にマッチングさせ、数値でない文字列をすべて 排除します。 =begin original The next task is to break the problem down into smaller problems that are easily converted into a regexp. =end original 次の仕事は問題を、より正規表現に変換しやすい小さいな問題に 分解することです。 =begin original The simplest case is integers. These consist of a sequence of digits, with an optional sign in front. The digits we can represent with C<\d+> and the sign can be matched with C<[+-]>. Thus the integer regexp is =end original もっとも簡単なケースは整数です。 これは数字の並びであり、省略可能な符号が先頭にあります。 数字は C<\d+> で表すことができ、符号は C<[+-]> にマッチングさせることが できます。 したがって、整数にマッチングする正規表現は以下のようになります /[+-]?\d+/; # matches integers =begin original A floating point number potentially has a sign, an integral part, a decimal point, a fractional part, and an exponent. One or more of these parts is optional, so we need to check out the different possibilities. Floating point numbers which are in proper form include 123., 0.345, .34, -1e6, and 25.4E-72. As with integers, the sign out front is completely optional and can be matched by C<[+-]?>. We can see that if there is no exponent, floating point numbers must have a decimal point, otherwise they are integers. We might be tempted to model these with C<\d*\.\d*>, but this would also match just a single decimal point, which is not a number. So the three cases of floating point number without exponent are =end original 浮動小数点数は符号と、整数部と、小数点と、小数部と、指数部を持つ可能性が あります。 これらの一つ以上のパーツが省略可能であり、可能なものをチェックする必要が あります。 正しい形式の浮動小数点数は123.、0.345、.34、-1e6、25.4E072 といったものを 含みます。 整数と同じように、先頭にある符合は省略可能で C<[+-]?> にマッチングします。 もし指数部がないことがわかれば、浮動小数点数は小数点を持たなければならず、 これがない場合にはそれは整数です。 C<\d*\.\d*> というパターンを使うことを思いつくかもしれませんが、これは 数値ではないただ一つの小数点にもマッチングしてしまいます。 ですから、指数部のない浮動小数点には以下の三つのケースが存在します /[+-]?\d+\./; # 1., 321., etc. /[+-]?\.\d+/; # .1, .234, etc. /[+-]?\d+\.\d+/; # 1.0, 30.56, etc. =begin original These can be combined into a single regexp with a three-way alternation: =end original これらは三つの選択を使った単一の正規表現にまとめることができます: /[+-]?(\d+\.\d+|\d+\.|\.\d+)/; # floating point, no exponent =begin original In this alternation, it is important to put C<'\d+\.\d+'> before C<'\d+\.'>. If C<'\d+\.'> were first, the regexp would happily match that and ignore the fractional part of the number. =end original この選択肢において、C<'\d+\.\d+'が'\d+\.'> より前に置かれていることが 重要です。 もし C<'\d+\.'> が先頭にあったなら、この正規表現は数値の小数部を無視して マッチングしてしまうでしょう。 =begin original Now consider floating point numbers with exponents. The key observation here is that I integers and numbers with decimal points are allowed in front of an exponent. Then exponents, like the overall sign, are independent of whether we are matching numbers with or without decimal points, and can be "decoupled" from the mantissa. The overall form of the regexp now becomes clear: =end original ここで指数部を持つ浮動小数点数を考えてみましょう。 ここでのポイントは指数部の前に整数と小数点を伴った数の I<両方> が 現れることができるということです。 指数部は符号と同じように、小数点を伴うか伴わないかに関係なくマッチングし、 仮数部から「分離」することも可能です。 正規表現の全体の形式がこれで明らかになりました: /^(optional sign)(integer | f.p. mantissa)(optional exponent)$/; =begin original The exponent is an C<'e'> or C<'E'>, followed by an integer. So the exponent regexp is =end original 指数部は整数が続く C<'e'> もしくは C<'E'> です。 ですから指数部の正規表現は以下のようになります /[eE][+-]?\d+/; # exponent =begin original Putting all the parts together, we get a regexp that matches numbers: =end original すべてのパーツを一つにまとめることによって、数値にマッチングする正規表現を 手に入れます: /^[+-]?(\d+\.\d+|\d+\.|\.\d+|\d+)([eE][+-]?\d+)?$/; # Ta da! =begin original Long regexps like this may impress your friends, but can be hard to decipher. In complex situations like this, the C modifier for a match is invaluable. It allows one to put nearly arbitrary whitespace and comments into a regexp without affecting their meaning. Using it, we can rewrite our "extended" regexp in the more pleasing form =end original このような長い正規表現を友人に説明することがあるかもしれませんが、 解読するのが難しいかもしれません。 このような複雑なものにおいては、C 修飾子は重要なものです。 この修飾子は正規表現に対してその意味を変えることなく、ほぼ任意の空白を 入れたりコメントを入れたりすることを許します。 これを使うことによって、よりわかりやすい形式に正規表現を 「拡張」することができます =begin original /^ [+-]? # first, match an optional sign ( # then match integers or f.p. mantissas: \d+\.\d+ # mantissa of the form a.b |\d+\. # mantissa of the form a. |\.\d+ # mantissa of the form .b |\d+ # integer of the form a ) ( [eE] [+-]? \d+ )? # finally, optionally match an exponent $/x; =end original /^ [+-]? # まずはじめに、省略可能な符号にマッチング ( # 続いて整数か f.p. 仮数部にマッチング: \d+\.\d+ # a.b 形式の仮数部 |\d+\. # a. 形式の仮数部 |\.\d+ # .b 形式の仮数部 |\d+ # a 形式の整数 ) ( [eE] [+-]? \d+ )? # 最後に、省略可能な指数部にマッチング $/x; =begin original If whitespace is mostly irrelevant, how does one include space characters in an extended regexp? The answer is to backslash it S> or put it in a character class S>. The same thing goes for pound signs: use C<\#> or C<[#]>. For instance, Perl allows a space between the sign and the mantissa or integer, and we could add this to our regexp as follows: =end original もし空白が余計なものであれば、拡張された正規表現にスペースを含ませるには どうすればよいのでしょうか? その答えは S> のように バックスラッシュを前置するか、S> のように文字クラスに 押し込めることです。 同じことが '#' にも言えます: C<\#> か C<[#]> を使います。 たとえば、Perl が符号と仮数部(もしくは整数部) の間に空白を置くことを 許すとすると、以下のように正規表現に加えることができます: =begin original /^ [+-]?\ * # first, match an optional sign *and space* ( # then match integers or f.p. mantissas: \d+\.\d+ # mantissa of the form a.b |\d+\. # mantissa of the form a. |\.\d+ # mantissa of the form .b |\d+ # integer of the form a ) ( [eE] [+-]? \d+ )? # finally, optionally match an exponent $/x; =end original /^ [+-]?\ * # まずはじめに、省略可能な符号と*スペース*にマッチング ( # 続いて整数か f.p. 仮数部にマッチング: \d+\.\d+ # a.b 形式の仮数部 |\d+\. # a. 形式の仮数部 |\.\d+ # .b 形式の仮数部 |\d+ # a 形式の整数 ) ( [eE] [+-]? \d+ )? # 最後に、省略可能な指数部にマッチング $/x; =begin original In this form, it is easier to see a way to simplify the alternation. Alternatives 1, 2, and 4 all start with C<\d+>, so it could be factored out: =end original この形式においては、選択肢を単純にする方法を見つけるのは簡単です。 選択肢 1, 2, 4 はすべて C<\d+> で始まっています; ですからこれは まとめることができます: =begin original /^ [+-]?\ * # first, match an optional sign ( # then match integers or f.p. mantissas: \d+ # start out with a ... ( \.\d* # mantissa of the form a.b or a. )? # ? takes care of integers of the form a |\.\d+ # mantissa of the form .b ) ( [eE] [+-]? \d+ )? # finally, optionally match an exponent $/x; =end original /^ [+-]?\ * # まずはじめに、省略可能な符号にマッチング ( # 続いて整数か f.p. 仮数部にマッチング: \d+ # はじめは… ( \.\d* # a.b形式もしくはa.形式の仮数部 )? # ? はa形式の整数を考慮する |\.\d+ # .b形式の仮数部 ) ( [eE] [+-]? \d+ )? # 最後に、省略可能な指数部にマッチング $/x; =begin original Starting in Perl v5.26, specifying C changes the square-bracketed portions of a pattern to ignore tabs and space characters unless they are escaped by preceding them with a backslash. So, we could write =end original Perl v5.26 から、C を指定すると、逆スラッシュを前置することによって エスケープしない限り、タブとスペースの文字をを無視するように パターンの大かっこで囲まれた部分を変更します。 従って、次のように書けます: /^ [ + - ]?\ * # first, match an optional sign ( # then match integers or f.p. mantissas: \d+ # start out with a ... ( \.\d* # mantissa of the form a.b or a. )? # ? takes care of integers of the form a |\.\d+ # mantissa of the form .b ) ( [ e E ] [ + - ]? \d+ )? # finally, optionally match an exponent $/xx; =begin original This doesn't really improve the legibility of this example, but it's available in case you want it. Squashing the pattern down to the compact form, we have =end original これはこの例の読みやすさを本当に改善してはいませんが、 使いたい場所では利用可能です。 コンパクトな型式にパターンを圧縮すると、次のようになります: /^[+-]?\ *(\d+(\.\d*)?|\.\d+)([eE][+-]?\d+)?$/; =begin original This is our final regexp. To recap, we built a regexp by =end original これが最終形の正規表現です。 ここでは以下のようにして正規表現を組み立てました。 =over 4 =item * =begin original specifying the task in detail, =end original なすべきことを詳細に確定し、 =item * =begin original breaking down the problem into smaller parts, =end original 問題を小さなパーツに分割し、 =item * =begin original translating the small parts into regexps, =end original その小さなパーツを正規表現に変換し、 =item * =begin original combining the regexps, =end original その正規表現を組み合わせ、 =item * =begin original and optimizing the final combined regexp. =end original 組み合わされた最終的な正規表現を最適化する。 =back =begin original These are also the typical steps involved in writing a computer program. This makes perfect sense, because regular expressions are essentially programs written in a little computer language that specifies patterns. =end original これはコンピュータプログラムを書くにあたっての典型的なステップでも あります。 正規表現はパターンを特定する小さなコンピュータ言語で書く プログラムであるので、このことはまさに当てはまります。 =head2 Using regular expressions in Perl (Perl で正規表現を使う) =begin original The last topic of Part 1 briefly covers how regexps are used in Perl programs. Where do they fit into Perl syntax? =end original パート 1 の最後のトピックは正規表現がPerlプログラムでどのように 使われているかを説明します。 正規表現は Perl の構文のどこにフィットしているのでしょう? =begin original We have already introduced the matching operator in its default C and arbitrary delimiter C forms. We have used the binding operator C<=~> and its negation C to test for string matches. Associated with the matching operator, we have discussed the single line C, multi-line C, case-insensitive C and extended C modifiers. There are a few more things you might want to know about matching operators. =end original すでにデフォルトの C と任意のデリミタを持つ C 形式の マッチング演算子を説明しています。 マッチングさせる文字列を指定するために C<=~> 演算子や C 演算子を 使っています。 マッチング演算子について、単一行修飾子 C、複数行修飾子 C、 大小文字の違いを無視する修飾子 C、拡張修飾子 C について述べました。 マッチング演算子に関して、知っておきたいであろういくつかの事柄があります。 =head3 Prohibiting substitution (置換を禁止する) =begin original If you change C<$pattern> after the first substitution happens, Perl will ignore it. If you don't want any substitutions at all, use the special delimiter C: =end original もし最初の置換が行われた後で C<$pattern> を変更したとしても、Perl は それを無視します。 すべての置換を行いたくないというのであれば、特殊なデリミタ C を使います: =begin original @pattern = ('Seuss'); while (<>) { print if m'@pattern'; # matches literal '@pattern', not 'Seuss' } =end original @pattern = ('Seuss'); while (<>) { print if m'@pattern'; # 'Seuss' ではなくリテラルの '@pattern' にマッチング } =begin original Similar to strings, C acts like apostrophes on a regexp; all other C<'m'> delimiters act like quotes. If the regexp evaluates to the empty string, the regexp in the I is used instead. So we have =end original 文字列と同様、C は正規表現においてシングルクォートのように振舞います。 他のすべての C<'m'> デリミタはダブルクォートのように振舞います。 もし正規表現が空文字列を評価したならば、その正規表現は I<最後に成功した> マッチングにある正規表現が代わりに使われます。 =begin original "dog" =~ /d/; # 'd' matches "dogbert =~ //; # this matches the 'd' regexp used before =end original "dog" =~ /d/; # 'd' にマッチング "dogbert =~ //; # 直前に使われた正規表現である 'd' にマッチング =head3 Global matching (グローバルマッチング) =begin original The final two modifiers we will discuss here, C and C, concern multiple matches. The modifier C stands for global matching and allows the matching operator to match within a string as many times as possible. In scalar context, successive invocations against a string will have C jump from match to match, keeping track of position in the string as it goes along. You can get or set the position with the C function. =end original ここで議論する最後の二つの修飾子 C と C は複数回マッチングに 関連するものです。 修飾子 C はグローバルマッチングを意味し、マッチング演算子に対して 文字列の中で可能な限りの回数マッチングするようにします。 スカラコンテキストでは、ある文字列に対する連続した呼び出しはマッチングから マッチングへとジャンプする C を持ち、その文字列の中での位置を記憶します。 C 関数を使ってこの位置を取り出したり設定したりすることができます。 =begin original The use of C is shown in the following example. Suppose we have a string that consists of words separated by spaces. If we know how many words there are in advance, we could extract the words using groupings: =end original C を使った例を以下に挙げます。 ここで、空白によって区切られた単語の並びからなる文字列があるとします。 もしいくつの単語があるかがわかっていれば、グループ化を使って単語を 取り出すことができます: $x = "cat dog house"; # 3 words $x =~ /^\s*(\w+)\s+(\w+)\s+(\w+)\s*$/; # matches, # $1 = 'cat' # $2 = 'dog' # $3 = 'house' =begin original But what if we had an indeterminate number of words? This is the sort of task C was made for. To extract all words, form the simple regexp C<(\w+)> and loop over all matches with C: =end original しかしもし不定個の単語があるとしたら? これが C が作られた理由となった類の仕事です。 すべての単語を取り出すために、単純な C<(\w+)> という正規表現を使い、 C をループで使ってすべてにマッチングさせます: while ($x =~ /(\w+)/g) { print "Word is $1, ends at position ", pos $x, "\n"; } =begin original prints =end original 以下の出力を行います Word is cat, ends at position 3 Word is dog, ends at position 7 Word is house, ends at position 13 =begin original A failed match or changing the target string resets the position. If you don't want the position reset after failure to match, add the C, as in C. The current position in the string is associated with the string, not the regexp. This means that different strings have different positions and their respective positions can be set or read independently. =end original マッチングに失敗したり、ターゲット文字列を変更するとこの位置は リセットされます。 もしマッチングに失敗したときに位置をリセットしたくないのであれば、 C のように C を追加します。 文字列の中のカレント位置はその文字列に結び付けられていて、正規表現にでは ありません。 このことは異なる文字列は異なる位置を持っていて、それらのそれぞれの位置は 独立にセットしたり読み出したりすることが可能です。 =begin original In list context, C returns a list of matched groupings, or if there are no groupings, a list of matches to the whole regexp. So if we wanted just the words, we could use =end original リストコンテキストでは、C はマッチングしたグループのリストを返します; グループ化の指定がなければ、正規表現全体にマッチングするリストを返します。 ですから、単に単語が欲しいのでれば @words = ($x =~ /(\w+)/g); # matches, # $words[0] = 'cat' # $words[1] = 'dog' # $words[2] = 'house' =begin original Closely associated with the C modifier is the C<\G> anchor. The C<\G> anchor matches at the point where the previous C match left off. C<\G> allows us to easily do context-sensitive matching: =end original C 修飾子は\Gアンカーに強く結び付けられています。 C<\G> アンカーは直前の C マッチングで残った部分にマッチングします。 C<\G> はコンテキストを考慮したマッチング(context-sensitive matching)を 容易にさせます: =begin original $metric = 1; # use metric units ... $x = ; # read in measurement $x =~ /^([+-]?\d+)\s*/g; # get magnitude $weight = $1; if ($metric) { # error checking print "Units error!" unless $x =~ /\Gkg\./g; } else { print "Units error!" unless $x =~ /\Glbs\./g; } $x =~ /\G\s+(widget|sprocket)/g; # continue processing =end original $metric = 1; # metric ユニットを使う ... $x = ; # 測定のために読み込み $x =~ /^([+-]?\d+)\s*/g; # 重さを取得 $weight = $1; if ($metric) { # エラーチェック print "Units error!" unless $x =~ /\Gkg\./g; } else { print "Units error!" unless $x =~ /\Glbs\./g; } $x =~ /\G\s+(widget|sprocket)/g; # 処理を続ける =begin original The combination of C and C<\G> allows us to process the string a bit at a time and use arbitrary Perl logic to decide what to do next. Currently, the C<\G> anchor is only fully supported when used to anchor to the start of the pattern. =end original C と C<\G> の組み合わせは一度に文字列を少しだけ処理して、次に 行うことを決定するために任意の Perl のロジックを使うことを可能にします。 現在のところ、C<\G> アンカーはパターンの最初に使われたときのみ 完全にサポートされます。 =begin original C<\G> is also invaluable in processing fixed-length records with regexps. Suppose we have a snippet of coding region DNA, encoded as base pair letters C and we want to find all the stop codons C. In a coding region, codons are 3-letter sequences, so we can think of the DNA snippet as a sequence of 3-letter records. The naive regexp =end original C<\G> はまた、正規表現を使って固定長のレコードを処理するときに貴重なものです。 基礎となる組み合わせ文字でエンコードされた C のような DNA の符号化部分があるとして、すべてのストップコドン (codon: 3 つの ヌクレオチドから成る,遺伝情報の単位)を見つけ出したいとしましょう。 符号化部分の中では、コドンは三文字の並びなので DNA の断片を 三文字のレコードの並びとしてみなすことができます。 単純な正規表現である # expanded, this is "ATC GTT GAA TGC AAA TGA CAT GAC" $dna = "ATCGTTGAATGCAAATGACATGAC"; $dna =~ /TGA/; =begin original doesn't work; it may match a C, but there is no guarantee that the match is aligned with codon boundaries, I, the substring S> gives a match. A better solution is =end original はうまくいきません; これは C にマッチングはしますが、 S> のようにコドンの境界にないものにもマッチングしてしまいます。 より良い解決策は以下のようなものです while ($dna =~ /(\w\w\w)*?TGA/g) { # note the minimal *? print "Got a TGA stop codon at position ", pos $dna, "\n"; } =begin original which prints =end original これは以下を出力します Got a TGA stop codon at position 18 Got a TGA stop codon at position 23 =begin original Position 18 is good, but position 23 is bogus. What happened? =end original Position 18 は良いですが、23 は変です。 何が起きているのでしょう? =begin original The answer is that our regexp works well until we get past the last real match. Then the regexp will fail to match a synchronized C and start stepping ahead one character position at a time, not what we want. The solution is to use C<\G> to anchor the match to the codon alignment: =end original その答えは、私たちの正規表現が最後に本当にマッチングしたところまでは うまくいっているからです。 それからこの正規表現は C の同期に失敗して私たちが望んでいない場所から マッチングのステップを始めてしまうのです。 解決策は、コドンの境界にマッチングさせるために C<\G> を 使って印付けをすることです: while ($dna =~ /\G(\w\w\w)*?TGA/g) { print "Got a TGA stop codon at position ", pos $dna, "\n"; } =begin original This prints =end original これは Got a TGA stop codon at position 18 =begin original which is the correct answer. This example illustrates that it is important not only to match what is desired, but to reject what is not desired. =end original を出力し、そして正しい答えです。 この例はマッチングしたものにマッチングすることだけが重要なのではなく、 望んでいないものを排除することもまたそうなのだということを 明らかにしました。 =begin original (There are other regexp modifiers that are available, such as C, but their specialized uses are beyond the scope of this introduction. ) =end original (C のようなその他の正規表現修飾子も利用可能ですが、これらの特殊な 使用法はこの序論のスコープからは外れます。) =head3 Search and replace (検索と置換) =begin original Regular expressions also play a big role in I operations in Perl. Search and replace is accomplished with the C operator. The general form is C, with everything we know about regexps and modifiers applying in this case as well. The I is a Perl double-quoted string that replaces in the string whatever is matched with the C. The operator C<=~> is also used here to associate a string with C. If matching against C<$_>, the S> can be dropped. If there is a match, C returns the number of substitutions made; otherwise it returns false. Here are a few examples: =end original 正規表現はまた、Perl における検索と置換操作において大きな役割を 果たしています。 検索と置換は C 演算子に結び付けられています。 一般的な形は C で、知っているすべての 正規表現と修飾子をここで使うことができます。 I は Perlでのダブルクォートで囲まれた文字列で、 C にマッチングした文字列を置き換えるものです。 C<=~> 演算子もまた C を伴った文字列に結びつけられるために使われます。 C<$_> に対してマッチングを行う場合には、S> は省略できます。 マッチングに成功した場合には C は置換が行われた数を返します; 失敗した場合には偽を返します。 幾つか例を挙げましょう: =begin original $x = "Time to feed the cat!"; $x =~ s/cat/hacker/; # $x contains "Time to feed the hacker!" if ($x =~ s/^(Time.*hacker)!$/$1 now!/) { $more_insistent = 1; } $y = "'quoted words'"; $y =~ s/^'(.*)'$/$1/; # strip single quotes, # $y contains "quoted words" =end original $x = "Time to feed the cat!"; $x =~ s/cat/hacker/; # $x の内容は "Time to feed the hacker!" if ($x =~ s/^(Time.*hacker)!$/$1 now!/) { $more_insistent = 1; } $y = "'quoted words'"; $y =~ s/^'(.*)'$/$1/; # シングルクォートを剥ぎ取る # $y の内容は "quoted words" =begin original In the last example, the whole string was matched, but only the part inside the single quotes was grouped. With the C operator, the matched variables C<$1>, C<$2>, I. are immediately available for use in the replacement expression, so we use C<$1> to replace the quoted string with just what was quoted. With the global modifier, C will search and replace all occurrences of the regexp in the string: =end original 最後の例では、文字列全体がマッチングしますが、シングルクォートの内部の 部分のみがグループ化されます。 C 演算子では、マッチングした変数 C<$1>, C<$2>, などは置換式で 使えるように直ちに利用可能になるので、クォートされた文字列を中身で 置換するために C<$1> を使います。 グローバル修飾子付きなので、C は文字列中の全てを検索して置換します: =begin original $x = "I batted 4 for 4"; $x =~ s/4/four/; # doesn't do it all: # $x contains "I batted four for 4" $x = "I batted 4 for 4"; $x =~ s/4/four/g; # does it all: # $x contains "I batted four for four" =end original $x = "I batted 4 for 4"; $x =~ s/4/four/; # すべてにはマッチングしない: # $x の内容は "I batted four for 4" $x = "I batted 4 for 4"; $x =~ s/4/four/g; # すべてにマッチング: # $x の内容は "I batted four for four" =begin original If you prefer "regex" over "regexp" in this tutorial, you could use the following program to replace it: =end original このチュートリアルにある "regexp" を "regex" にすることを望むのなら、 以下のプログラムを使って置換することができます: % cat > simple_replace #!/usr/bin/perl $regexp = shift; $replacement = shift; while (<>) { s/$regexp/$replacement/g; print; } ^D % simple_replace regexp regex perlretut.pod =begin original In C we used the C modifier to replace all occurrences of the regexp on each line. (Even though the regular expression appears in a loop, Perl is smart enough to compile it only once.) As with C, both the C and the C use C<$_> implicitly. =end original C では各行のすべての正規表現にマッチングする部分を 置換するために C 修飾子を使います。 (正規表現がループ中にあるように見えますが、Perl はこれを一度だけ コンパイルするぐらい賢いです。) C と同様、C と C で C<$_> を暗黙に使用しています。 =begin original If you don't want C to change your original variable you can use the non-destructive substitute modifier, C. This changes the behavior so that C returns the final substituted string (instead of the number of substitutions): =end original 基の変数を変更するために C を使いたくないなら、非破壊置換修飾子である C が使えます。 これは、C が (置換の数ではなく)最終的に置換された文字列を返すように 振る舞いを変更します: $x = "I like dogs."; $y = $x =~ s/dogs/cats/r; print "$x $y\n"; =begin original That example will print "I like dogs. I like cats". Notice the original C<$x> variable has not been affected. The overall result of the substitution is instead stored in C<$y>. If the substitution doesn't affect anything then the original string is returned: =end original この例は、"I like dogs. I like cats" を表示します。 元の C<$x> 変数は影響を受けないことに注意してください。 置換の結果全体は代わりに C<$y> に格納されます。 置換が何も影響を与えなかった場合、元の文字列が返されます: $x = "I like dogs."; $y = $x =~ s/elephants/cougars/r; print "$x $y\n"; # prints "I like dogs. I like dogs." =begin original One other interesting thing that the C flag allows is chaining substitutions: =end original C フラグによるもう一つの興味深いことは、置換の連鎖です: $x = "Cats are great."; print $x =~ s/Cats/Dogs/r =~ s/Dogs/Frogs/r =~ s/Frogs/Hedgehogs/r, "\n"; # prints "Hedgehogs are great." =begin original A modifier available specifically to search and replace is the C evaluation modifier. C treats the replacement text as Perl code, rather than a double-quoted string. The value that the code returns is substituted for the matched substring. C is useful if you need to do a bit of computation in the process of replacing text. This example counts character frequencies in a line: =end original 検索と置換において使うことのできる修飾子に評価修飾子 C があります。 C は、置換文字列をダブルクォートされた文字列ではなく Perl コードとして扱います。 コードが返した値はマッチングした部分文字列と置換されます。 C は置換テキストの処理においてちょっとした計算を行う必要が あるときに便利です。 以下の例はある行の文字の出現頻度を数えます: =begin original $x = "Bill the cat"; $x =~ s/(.)/$chars{$1}++;$1/eg; # final $1 replaces char with itself print "frequency of '$_' is $chars{$_}\n" foreach (sort {$chars{$b} <=> $chars{$a}} keys %chars); =end original $x = "Bill the cat"; $x =~ s/(.)/$chars{$1}++;$1/eg; # 最終的に $1 はそれ自身の文字に置換される print "frequency of '$_' is $chars{$_}\n" foreach (sort {$chars{$b} <=> $chars{$a}} keys %chars); =begin original This prints =end original これは frequency of ' ' is 2 frequency of 't' is 2 frequency of 'l' is 2 frequency of 'B' is 1 frequency of 'c' is 1 frequency of 'e' is 1 frequency of 'h' is 1 frequency of 'i' is 1 frequency of 'a' is 1 =begin original As with the match C operator, C can use other delimiters, such as C and C, and even C. If single quotes are used C, then the regexp and replacement are treated as single-quoted strings and there are no variable substitutions. C in list context returns the same thing as in scalar context, I, the number of matches. =end original C 演算子と同様に、C も C や C 、 果ては C のように異なるデリミタを使うことができます。 C のようにシングルクォートが使われた場合、その正規表現と 置換テキストはシングルクォート文字列のように扱われ、変数の置き換えは 行われません。 リストコンテキストでの C はスカラコンテキストのときと同じように、 マッチングした数を返します。 =head3 The split function (split 関数) =begin original The C function is another place where a regexp is used. C separates the C operand into a list of substrings and returns that list. The regexp must be designed to match whatever constitutes the separators for the desired substrings. The C, if present, constrains splitting into no more than C number of strings. For example, to split a string into words, use =end original C 関数は、正規表現が使えるもう一つの場所です。 C は C オペランドを部分文字列の リストに分割し、そのリストを返します。 正規表現は、目的の部分文字列のセパレータを構成するものに マッチングするようにしなければなりません。 C が与えられた場合には、文字列を C 個を超える数には 分割しません。 たとえば、文字列を単語に分割するには以下のようにします $x = "Calvin and Hobbes"; @words = split /\s+/, $x; # $word[0] = 'Calvin' # $word[1] = 'and' # $word[2] = 'Hobbes' =begin original If the empty regexp C is used, the regexp always matches and the string is split into individual characters. If the regexp has groupings, then the resulting list contains the matched substrings from the groupings as well. For instance, =end original C が使われた場合には、その正規表現は常にマッチングし、文字列は個々の文字に 分割されます。 正規表現がグループ化を伴っていた場合には、グループ化されたものも部分文字列に 含まれるようになります。 例を挙げると以下のようになります $x = "/usr/bin/perl"; @dirs = split m!/!, $x; # $dirs[0] = '' # $dirs[1] = 'usr' # $dirs[2] = 'bin' # $dirs[3] = 'perl' @parts = split m!(/)!, $x; # $parts[0] = '' # $parts[1] = '/' # $parts[2] = 'usr' # $parts[3] = '/' # $parts[4] = 'bin' # $parts[5] = '/' # $parts[6] = 'perl' =begin original Since the first character of C<$x> matched the regexp, C prepended an empty initial element to the list. =end original C<$x> の最初の文字に正規表現がマッチングしているので、C はリストの 最初の要素に空要素を置きます。 =begin original If you have read this far, congratulations! You now have all the basic tools needed to use regular expressions to solve a wide range of text processing problems. If this is your first time through the tutorial, why not stop here and play around with regexps a while.... S concerns the more esoteric aspects of regular expressions and those concepts certainly aren't needed right at the start. =end original ここまで読み進めてきたのならおめでとう! あなたは広範囲のテキスト処理を解決するのに必要な正規表現の基本的な部分を すべて会得しました。 このチュートリアルを初めて読んでここまできたのなら、ここで立ち止まって 正規表現を使ってみるのも良いでしょう。 S ではより難解な正規表現の側面に言及します。 =head1 Part 2: Power tools (パート 2: 強力なツール) =begin original OK, you know the basics of regexps and you want to know more. If matching regular expressions is analogous to a walk in the woods, then the tools discussed in Part 1 are analogous to topo maps and a compass, basic tools we use all the time. Most of the tools in part 2 are analogous to flare guns and satellite phones. They aren't used too often on a hike, but when we are stuck, they can be invaluable. =end original あなたはすでに正規表現の基本的なことを知っていて、より深く 知ろうとしています。 正規表現のマッチングが森の中を歩くことに類似しているのなら、パート 1 で 述べられたツールは地図でありコンパスであり、いつも使う基本的な道具です。 パート 2 での大部分のツールは照明弾であり、衛星電話です。 ハイキングにはそうそう使うものではありませんが、困り果てたときには とても貴重なものです。 =begin original What follows are the more advanced, less used, or sometimes esoteric capabilities of Perl regexps. In Part 2, we will assume you are comfortable with the basics and concentrate on the advanced features. =end original 以下に挙げるものは Perl の正規表現においてより高度で、 あまり使うことのない、時として難解な機能です。 Part 2 では、あなたが基本を良く知っていてより進んだ機能に集中できることを 仮定しています。 =head2 More on characters, strings, and character classes (文字、文字列、文字クラスについての追加事項) =begin original There are a number of escape sequences and character classes that we haven't covered yet. =end original まだカバーしていない幾つかのエスケープシーケンスや文字クラスがあります。 =begin original There are several escape sequences that convert characters or strings between upper and lower case, and they are also available within patterns. C<\l> and C<\u> convert the next character to lower or upper case, respectively: =end original 文字や文字列の大小文字を変換するエスケープシーケンスがあり、 これらもパターンで使えます。 C<\l> や C<\u> は続く文字をそれぞれ小文字と大文字に変換します: =begin original $x = "perl"; $string =~ /\u$x/; # matches 'Perl' in $string $x = "M(rs?|s)\\."; # note the double backslash $string =~ /\l$x/; # matches 'mr.', 'mrs.', and 'ms.', =end original $x = "perl"; $string =~ /\u$x/; # $string の中の 'Perl' にマッチング $x = "M(rs?|s)\\."; # 二重のバックスラッシュに注意 $string =~ /\l$x/; # 'mr.', 'mrs.', 'ms.' にマッチング =begin original A C<\L> or C<\U> indicates a lasting conversion of case, until terminated by C<\E> or thrown over by another C<\U> or C<\L>: =end original C<\L> や C<\U> は、C<\E> で終端されるか、別の C<\U> や C<\L> で 上書きされるまで、大文字小文字を変換することを示します: =begin original $x = "This word is in lower case:\L SHOUT\E"; $x =~ /shout/; # matches $x = "I STILL KEYPUNCH CARDS FOR MY 360" $x =~ /\Ukeypunch/; # matches punch card string =end original $x = "This word is in lower case:\L SHOUT\E"; $x =~ /shout/; # マッチングする $x = "I STILL KEYPUNCH CARDS FOR MY 360" $x =~ /\Ukeypunch/; # パンチカード文字列にマッチングする =begin original If there is no C<\E>, case is converted until the end of the string. The regexps C<\L\u$word> or C<\u\L$word> convert the first character of C<$word> to uppercase and the rest of the characters to lowercase. =end original C<\E> がない場合には、大小文字の変換は文字列の終端まで行われます。 C<\L\u$word> や C<\u\L$word> は C<$word> の最初の文字を大文字へと変換し、 残りの文字は小文字にします。 =begin original Control characters can be escaped with C<\c>, so that a control-Z character would be matched with C<\cZ>. The escape sequence C<\Q>...C<\E> quotes, or protects most non-alphabetic characters. For instance, =end original 制御文字は C<\c> を使ってエスケープすることができます; ですから、 control-Z 文字は C<\cZ> にマッチングします。 C<\Q>...C<\E> というエスケープシーケンスは大部分の非アルファベット文字を クォートまたはプロテクトします。 たとえば $x = "\QThat !^*&%~& cat!"; $x =~ /\Q!^*&%~&\E/; # check for rough language =begin original It does not protect C<'$'> or C<'@'>, so that variables can still be substituted. =end original これは C<'$'> や C<'@'> を保護しないので、変数の置換は行われます。 =begin original C<\Q>, C<\L>, C<\l>, C<\U>, C<\u> and C<\E> are actually part of double-quotish syntax, and not part of regexp syntax proper. They will work if they appear in a regular expression embedded directly in a program, but not when contained in a string that is interpolated in a pattern. =end original C<\Q>, C<\L>, C<\l>, C<\U>, C<\u>, C<\E> は実際にはダブルクォート風文法の 一部で、正規表現文法の一部ではありません。 これらはプログラム中の正規表現に直接埋め込まれている場合は動作しますが、 パターン内で展開された文字列に含まれている場合には動作しません。 =begin original Perl regexps can handle more than just the standard ASCII character set. Perl supports I, a standard for representing the alphabets from virtually all of the world's written languages, and a host of symbols. Perl's text strings are Unicode strings, so they can contain characters with a value (codepoint or character number) higher than 255. =end original Perl の正規表現は標準の ASCII 文字セットを超えた扱いをすることができます。 Perl は現在は事実上世界の全ての言語のアルファベットを表現する標準である I をサポートしています。 Perl のテキスト文字列は Unicode 文字列で、255 以上の値(コードポイントまたは 文字番号)を持つ文字を含みます。 =begin original What does this mean for regexps? Well, regexp users don't need to know much about Perl's internal representation of strings. But they do need to know 1) how to represent Unicode characters in a regexp and 2) that a matching operation will treat the string to be searched as a sequence of characters, not bytes. The answer to 1) is that Unicode characters greater than C are represented using the C<\x{hex}> notation, because C<\x>I (without curly braces and I are two hex digits) doesn't go further than 255. (Starting in Perl 5.14, if you're an octal fan, you can also use C<\o{oct}>.) =end original このことが正規表現に及ぼす影響は? そう、正規表現ユーザーは perl での文字列の内部表現を知る必要はありません。 しかし、知っておくべきことがあります; 1) 正規表現において Unicode 文字をどのように表現するか 2) マッチング操作がバイト列ではなく、Unicode 文字列として扱うということです。 1)に対する答えは C を越える Unicode 文字は C<\x{hex}> 表記を 使って表現されるだろうということです; なぜなら、C<\x>I 表記(中かっこなしで I は二つの 16 進数) は 255 を 超えないからです。 (Perl 5.14 から、8 進数が好みなら、C<\o{oct}> も使えます。) /\x{263a}/; # match a Unicode smiley face :) =begin original B: In Perl 5.6.0 it used to be that one needed to say C to use any Unicode features. This is no more the case: for almost all Unicode processing, the explicit C pragma is not needed. (The only case where it matters is if your Perl script is in Unicode and encoded in UTF-8, then an explicit C is needed.) =end original B<注意>: Perl 5.6.0 では何かしらの Unicode 機構を使うときには C を 宣言する必要がありました。 これは現在ではあてはまりません: ほとんどすべての Unicode 処理においては、 C プラグマは必要ありません。 (これが意味を持つただ一つのケースは、 あなたの Perl スクリプトが Unicode で書かれていて、かつそれが UTF-8 で エンコーディングされている場合で、このときは陽に C を指定する必要があります。) =begin original Figuring out the hexadecimal sequence of a Unicode character you want or deciphering someone else's hexadecimal Unicode regexp is about as much fun as programming in machine code. So another way to specify Unicode characters is to use the I escape sequence C<\N{I}>. I is a name for the Unicode character, as specified in the Unicode standard. For instance, if we wanted to represent or match the astrological sign for the planet Mercury, we could use =end original あなたが必要な Unicode 文字を 16 進数で表記することや、別の誰かが 16 進表記の Unicode 正規表現を解読することは、機械語で プログラミングすることを楽しむかのようです。 ですから、Unicode 文字を指定する別の方法として C<\N{I}> のような I<名前付き文字> エスケープシーケンスを使うものがあります。 C は Unicode 文字に対する名前であって、Unicode standard で 定義されているものです。 たとえば、水星を表す占星術記号を表したりマッチングさせるために 以下のようにします =begin original $x = "abc\N{MERCURY}def"; $x =~ /\N{MERCURY}/; # matches =end original $x = "abc\N{MERCURY}def"; $x =~ /\N{MERCURY}/; # マッチング =begin original One can also use "short" names: =end original 「短い」名前を使うこともできます: print "\N{GREEK SMALL LETTER SIGMA} is called sigma.\n"; print "\N{greek:Sigma} is an upper-case sigma.\n"; =begin original You can also restrict names to a certain alphabet by specifying the L pragma: =end original L プラグマを指定することで名前を特定のアルファベットに 制限することもできます: use charnames qw(greek); print "\N{sigma} is Greek sigma\n"; =begin original An index of character names is available on-line from the Unicode Consortium, L; explanatory material with links to other resources at L. =end original 文字名の一覧は Unicode Consortium の L からオンラインで 利用可能です; その他のリソースへのリンクを含む説明に関する情報は L にあります。 =begin original The answer to requirement 2) is that a regexp (mostly) uses Unicode characters. The "mostly" is for messy backward compatibility reasons, but starting in Perl 5.14, any regexp compiled in the scope of a C (which is automatically turned on within the scope of a C or higher) will turn that "mostly" into "always". If you want to handle Unicode properly, you should ensure that C<'unicode_strings'> is turned on. Internally, this is encoded to bytes using either UTF-8 or a native 8 bit encoding, depending on the history of the string, but conceptually it is a sequence of characters, not bytes. See L for a tutorial about that. =end original 2) の答えは、正規表現は(ほとんど) Unicode 文字を使うというものです。 「ほとんど」というのはぐちゃぐちゃな後方互換性の理由ですが、 Perl 5.14 から、C (これは C 以上が 有効なスコープ内では自動的にオンになります) によって「ほとんど」は「常に」に なります。 Unicode を適切に扱いたいなら、C<'unicode_strings'> をオンに するようにするべきです。 内部では、これは UTF-8 かネイティブな 8 ビットエンコーディングを使った バイトでエンコードされてます; どちらかは文字列の履歴に依存します; しかし理論的には、これはバイトの列ではなく文字の列です。 これに関するチュートリアルについては L を参照してください。 =begin original Let us now discuss Unicode character classes, most usually called "character properties". These are represented by the C<\p{I}> escape sequence. The negation of this is C<\P{I}>. For example, to match lower and uppercase characters, =end original ほとんどの場合「文字特性」と呼ばれる、Unicode 文字クラスについて述べましょう。 これらは C<\p{I}> エスケープシーケンスで表されます。 この否定は C<\P{I}> です。 たとえば小文字や大文字の文字にマッチングさせるには、 =begin original $x = "BOB"; $x =~ /^\p{IsUpper}/; # matches, uppercase char class $x =~ /^\P{IsUpper}/; # doesn't match, char class sans uppercase $x =~ /^\p{IsLower}/; # doesn't match, lowercase char class $x =~ /^\P{IsLower}/; # matches, char class sans lowercase =end original $x = "BOB"; $x =~ /^\p{IsUpper}/; # マッチングする; 大文字の文字クラス $x =~ /^\P{IsUpper}/; # マッチングしない; 文字クラスは大文字以外 $x =~ /^\p{IsLower}/; # マッチングしない; 小文字の文字クラス $x =~ /^\P{IsLower}/; # マッチングする; 文字クラスは小文字以外 =begin original (The "C" is optional.) =end original ("C" はオプションです。) =begin original There are many, many Unicode character properties. For the full list see L. Most of them have synonyms with shorter names, also listed there. Some synonyms are a single character. For these, you can drop the braces. For instance, C<\pM> is the same thing as C<\p{Mark}>, meaning things like accent marks. =end original Unicode 文字特性はとてもとてもたくさんあります。 完全な一覧については L を参照してください。 これらのほとんどはより短い名前の同義語で、これらも一覧されています。 一文字の同義語もあります。 これらについては、中かっこを省略できます。 例えば、C<\pM> は C<\p{Mark}> と同じことで、アクセント記号のようなものを 意味します。 =begin original The Unicode C<\p{Script}> and C<\p{Script_Extensions}> properties are used to categorize every Unicode character into the language script it is written in. (C is an improved version of C