正規表現 ゼロ幅、先読み、後読み

正規表現で最近便利な使い方を覚えました。

タイトルにもあるとおり、ゼロ幅の(否定的)先読みです。

http://www.example.com/index/～～

http://www.example.com/list/～～

上記二つのディレクトリ以外を参照する

全ての URL についてマッチする正規表現が必要でした。

先頭が、index または list でなければいいのだから、

[^a-z] のような否定表現と、

(abc|xyz) のような論理和グループを用いて、

^[^(list/?|index/?)][\w/\.]+

とすればいいと思ってました。

ところが、それじゃ動かない…。

色々調べていると、以下のように書けば、出来るということが分かりました。

^(?!(list|index)(/|$))[\w/\.]+

これで、赤字の URL にはマッチしませんが、

青字の URL にはマッチするようになりました。

• index
• index/
• index/sample/file.php
• list
• list/
• list/directory/
• detail
• detail/
• detail/action.php
• index-hoge
• list-fuga/input.php

それでは、正規表現の解説をしましょう。

まず、1 文字目の ^ は先頭を表す記号です。

次に、(?!(list|index)(/|$)) の部分ですが、

これをさらに細かく分けて解説しましょう。

まず、(list|index) の部分は、

list または index という文字列に相当する、という意味になります。

そのあとに続く、 (/|$) の部分は、

/ または 行末 に相当する、という意味になります。

これら二つを合わせると、

• index
• index/
• list
• list/

上記の四つの文字列に相当する正規表現になります。

?! の部分の説明は少し後にします。

後ろについている、[\w/\.]+ はややこしくみえるかもしれませんが、

[A-Za-z0-9/\.]+ と同じ意味です。

英数字、スラッシュ、ピリオドだけで構成される 1 文字以上の文字列、ということになります。

ちなみに、ピリオドの前の \ は単なるエスケープです。

さて、要件として必要な駒がそろいました。

• (list|index)(/|$) に該当しない文字列
• [\w/\.]+ に該当する文字列

上記二つの条件を同時に満たすにはどうすればいいでしょうか。

ここで、ゼロ幅というのが役に立ちます。

ゼロ幅というのは、^ や $ と同じで、

なにか特定の文字のことを表すわけではなく、

位置だけを判別するもののことです。

ゼロ幅を活用すれば、正規表現置換の際に、

「～という条件で検索するが、置換対象には入れない」という使い方が可能になります。

^ や $ もそうですよね。

検索対象にはなりますが、置換対象にはなりません。

今回は、文字列 (またはパターン) をゼロ幅として検索します。

例えば、

sample.txt というファイル名があるとします。

txt の拡張子をもつファイルのファイル名だけを置換する場合、

拡張子は変えたくないので、 (\.txt) をゼロ幅で検索する必要があります。

また、ゼロ幅とは、 ^ や $ と同じで、位置だけを判別するものです。

このケースでは、拡張子の前までを置換対象として検索する必要があります。

特定の文字列の前までを置換対象にする場合は、

ゼロ幅の先読みを使用します。

書式は以下のようになります。

.+(?=\.txt)

こうすれば、任意の文字が 1 文字以上で .txt の前まで、という正規表現になります。

条件にマッチする部分の前まで、を表します。

逆に、ファイル名はそのままで、拡張子だけを置換する場合、

(?<=.+\.)[\w]+$

こうすれば、(半角英数字 1 文字以上 + ピリオド) の後ろから行末まで、という正規表現になります。

これは、後読みといいます。条件にマッチする部分の後ろから、を表します。

ゼロ幅の先読み、ゼロ幅の後読みのそれぞれに、

さらに、肯定表現、否定表現があります。

• (?=[a-z]+)        // ゼロ幅の肯定的先読み - アルファベット小文字の後ろから
• (?![a-z]+)        // ゼロ幅の否定的先読み - アルファベット小文字ではない文字の前から
• (?<=[a-z]+)        // ゼロ幅の肯定的後読み - アルファベット小文字の前まで
• (?<![a-z]+)        // ゼロ幅の否定的後読み - アルファベットの小文字ではない文字の後ろまで

さて、ここまでが、 ?! の部分の説明になります。

元々必要だった要件は、

index にも list にも相当しないディレクトリ名の前からを対象としますので、

ゼロ幅の否定的先読みを選択します。

よって、以下のようになります。

(?!(list|index)(/|$))

よって、URL の第一階層のディレクトリ名が index でも list でもなく、

なおかつ、英数字、 スラッシュ、 ピリオドで構成される文字列を

正規表現でマッチさせるためには、

^(?!(list|index)(/|$))[\w/\.]+

このような表記になるというわけです。

Zend_Controller_Router_Route_Regex などでも活用できそうです。