正規表現について
1/8

2/8
正規表現の利用ケース
・バリデーション
・文字列の抽出
入力された文字列が形式に則っているかチェックする
(例)郵便番号が7桁の数値となっているか、
^w{3}-?w{4}$ などでチェックする
大量の文字列から必要な部分のみ抽出する
(例)Eメール原稿からメールアドレスのみを抽出するとき、
^[a-zA-Z0-9.!#$%&'*+¥/=?^_`{|}~-]+@[a-zA-Z0-9-]+(?:¥.[a-zA-Z0-9-]+)*$
などで検索
様々な文字列のパターンが想定される場合に正規表現を使う

3/8
正規表現のマッチ範囲
・なるべく全てのパターンにマッチさせられるか
・想定外の文字列のマッチを防ぐにはどう書くか
・・・想定されるパターン
・・・検索するパターン
これらのパターン差を0にするように正規表現を記述することが理想的
検索パターンが少ない 検索パターンが多い

4/8
正規表現の注意点
・想定外のパターンに注意
ファーストネームやファミリーネームのバリデーションは[A-Z][a-z]*でよい？
Robert Downey Jr.などのパターンは当てはまらない
・メタ文字のエスケープ忘れに注意
(aaa|bbb).comとした場合、aaa.comとbbb.comのみマッチする？
「.」を「¥.」としてないので、aaaxcomなどもマッチしてしまう
・「.」は改行にはマッチしない
検索したいパターンに改行が含まれていた場合、「.*」ではスルーされてしまう

5/8
より速い検索を行うために
正規表現によるパフォーマンスへの影響度合いは、
正規表現と「マッチしない」パターンの数で決まる
①
②
②の正規表現はパターンがより具体的であり、
マッチしないパターンが①に比べて少ないため、
②の方が速く検索が完了する
この部分と
これ以降を検索
より具体的かつマッチパターンが少ない正規表現だと素早く検索できる

6/8
悪い正規表現を書いてしまうと
「.*」は、正規表現エンジンのすべてのイベントをスキャンするため、
文字列の読み込みとバックトラックを繰り返す
明確な文字列はスペース、[ 、]: のみ
最後まで読み取った後、最初のスペースまで戻る。
また最後まで読み、次のスペースに戻る
この文字列にはスペースが12個あるため、
これを12回繰り返す
上記の処理を明確に指定した文字列の数だけ行うため、
検索に時間がかかる。

7/8
正規表現と静的文字列
正規表現である以上、パフォーマンスへの影響は避けられないので、
入力パターンが限られている場合は静的文字列による検索を使う
10億文字の中から検索したときの処理時間を測定
静的な文字列で検索
正規表現で検索
「.*」を追加して検索

8/8
まとめ
・正規表現は様々な文字列パターンが想定される場合に活躍する
・より長く具体的な正規表現により、検索遅延を軽減できる
・入力パターンが決まっている場合は、正規表現の使用を避ける