JavaScriptの正規表現と日本語の扱い方

正規表現の基本構文とフラグ、貪欲・非貪欲マッチ、日本語テキストで\wや\dが効かない理由、ひらがな・カタカナ・漢字の指定、郵便番号と電話番号の書き方を実例で説明します。

著者 · · 10分で読めます

正規表現チェッカーの解説記事のイラスト

日本語版です。 日本語のテキスト(全角数字、かぎ括弧、長音記号、サロゲートペアの漢字)と、日本郵便の7桁の郵便番号、総務省が説明する電話番号の桁数を例にしています。 米国版

正規表現は、ログの抽出、入力チェック、置換など、テキストを扱う場面のほとんどに出てきます。英語のテキストでは動いていたパターンが、日本語の入力になると全角数字を見落とす、カタカナの「ー」で切れる、かぎ括弧の中だけを取り出せない、といった問題を起こします。このガイドでは、JavaScriptの正規表現の基本と、日本語のテキストで気をつける点を、正規表現チェッカーと同じ関数(String.prototype.match)で確かめた実例で説明します。

基本の構文

書き方意味例
.改行以外の任意の1文字a.cは「abc」「a-c」に一致
[abc] / [^abc]いずれか1文字 / それ以外の1文字[0-9]は半角数字1文字
\d \w \s数字、英数字と_、空白\dは[0-9]と同じ
* + ?0回以上、1回以上、0回か1回colou?r
{n} {n,m}n回、n~m回\d{3}
^ $先頭、末尾^\d{7}$
( ) (?<名前> )グループ、名前付きグループ(?<zip>\d{3})
(?= ) (?<! )先読み、後読み(否定)(?<!\d)\d{3}

フラグで動きが変わる

フラグ意味
gすべての一致を探す(ないと最初の1件だけ)
i大文字と小文字を区別しない
m^と$を各行の先頭と末尾に一致させる
s.を改行にも一致させる
uUnicodeモード。サロゲートペアを1文字として扱い、\p{...}が使える
ylastIndexの位置からだけ一致を試す

日本語を扱うときは、uフラグを付けるのが基本です。「𠮷」のようなサロゲートペアの漢字は、JavaScriptの文字列では長さ2として数えられ、uフラグなしの^.$には一致しません。uフラグを付けると1文字として一致します。

gフラグ付きの正規表現オブジェクトをtest()で繰り返し使うと、lastIndexが前回の一致の位置から始まるため、同じ文字列でもtrueとfalseが交互に返ることがあります。入力チェックではgを付けないか、毎回新しい正規表現を作ります。

日本語のテキストで効かないもの

\w、\d、\bは英数字を前提にしていて、日本語には効きません。ツールで確かめた結果です。

対象の文字列パターン一致したもの
東京タワーとSkytree\w+(gフラグ)Skytree だけ
価格は123円と456円\d+(gフラグ)456 だけ
価格は123円と456円[0-90-9]+(gフラグ)123、456
東京タワーとSkytree\p{Script=Han}+(gu)東京
東京タワーとSkytree\p{Script=Katakana}+(gu)タワ
ひらがなとカタカナ[ぁ-ゖ]+(gフラグ)ひらがなと

2つの点に注意します。1つは全角数字で、\dはuフラグを付けても半角の0~9にしか一致しません。全角数字も受け付けるなら[0-90-9]と書くか、先に全角を半角に変換(NFKC正規化)してから照合します。

もう1つは長音記号「ー」です。Unicodeでは「ー」はカタカナではなく、ひらがなとカタカナの両方で使う共通の文字に分類されているため、\p{Script=Katakana}では「タワー」の「ー」が外れて「タワ」になります。カタカナ語をまとめて取り出すなら、[\p{Script=Katakana}ー]+のように「ー」を加えます。

貪欲と非貪欲:かぎ括弧の中を取り出す

*や+は、できるだけ長く一致しようとします(貪欲)。かぎ括弧で囲まれた語を取り出そうとして「.*」と書くと、最初の「から最後の」までが1件として一致します。

文字列パターン一致したもの
「東京」と「大阪」「.*」(gフラグ)「東京」と「大阪」(1件)
「東京」と「大阪」「.*?」(gフラグ)「東京」、「大阪」
「東京」と「大阪」「[^」]*」(gフラグ)「東京」、「大阪」

*?は、できるだけ短く一致する非貪欲(最短一致)の数量子です。「[^」]*」のように「閉じ括弧以外」と書く方法は、何を許すかがはっきりしていて、後で説明するバックトラッキングも起きにくい書き方です。

貪欲な「.」は最初の「から最後の」まで1件に、非貪欲な「.?」と否定の文字クラス「[^」]*」は「東京」と「大阪」を別々に取り出す
貪欲な「.」は最初の「から最後の」まで1件に、非貪欲な「.?」と否定の文字クラス「[^」]*」は「東京」と「大阪」を別々に取り出す

実例:郵便番号と電話番号

郵便番号

日本郵便の郵便番号データは、郵便番号を7桁の半角数字で収録しています。表記では3桁と4桁の間にハイフンを入れる形が一般的です。

/^\d{3}-?\d{4}$/      入力欄の値全体をチェック(ハイフンは任意)
/(?<![\d-])\d{3}-\d{4}(?![\d-])/g   文中から取り出す

文中から取り出すときは、前後に数字やハイフンが続かないことを後読み・先読みで確かめます。単に\d{3}-\d{4}と書くと、「0120-100-8967」のようなフリーダイヤルの一部の「100-8967」まで郵便番号として拾います。

電話番号

総務省の電話番号に関するQ&Aによると、固定電話の番号は「0-市外局番-市内局番-加入者番号」の形で、市外局番と市内局番は合わせて5桁です。加入者番号は通常4桁なので、ハイフンを除くと10桁になります。同じQ&Aの表では、固定電話にかける番号を「0ABC」(A、B、Cは0以外)から始まる番号としています。携帯電話は「070」「080」「090」から始まる11桁と説明されていますが、総務省の電気通信番号指定状況では、音声伝送携帯電話番号として「060」も指定されています。

/^0[1-9]{3}\d{6}$/    固定電話(ハイフンを除いて10桁、0の後の3桁は0以外)
/^0[6789]0\d{8}$/     携帯電話(ハイフンを除いて11桁)
/0[6789]0-?\d{4}-?\d{4}/g  文中の携帯番号

070・080・090だけを想定したパターンは、060の番号を拒否してしまいます。市外局番の桁数は地域によって1~4桁と違うので、ハイフンの位置で判定するのではなく、ハイフンを取り除いてから桁数を確かめるのが確実です。

破滅的バックトラッキング

(a+)+$のように、数量子の中にさらに数量子がある形は、一致しない入力に対して試す組み合わせが指数関数的に増え、処理が止まったように見えることがあります。利用者が入力する文字列に正規表現を当てるサーバー側の処理では、サービス停止の原因になります。

避け方は3つです。入れ子の数量子を使わない、.*ではなく[^」]*のように範囲を限定する、入力の長さに上限を設けることです。

テストの習慣

正規表現は、一致してほしい例と、一致してほしくない例を両方並べて確かめます。郵便番号なら「100-8967」「1008967」は一致、「100-89」「0120-100-8967」の中の部分は不一致、という具合です。全角数字、全角ハイフン、前後の空白など、日本語の入力で起こりやすい形も入れておきます。正規表現チェッカーに例を貼り付けて、一致した部分を1つずつ確認してから、コードに組み込みます。

よくある質問

正規表現でひらがな・カタカナ・漢字を指定するには?

ひらがなは[ぁ-ゖ]、漢字はuフラグ付きで\p{Script=Han}、カタカナは\p{Script=Katakana}です。カタカナ語には長音記号「ー」が含まれるので、[\p{Script=Katakana}ー]のように加えます。

全角数字にも一致させるには?

\dは半角の0~9だけに一致します。[0-90-9]と書くか、str.normalize('NFKC')で全角を半角に変換してから\dで照合します。

最短一致(非貪欲)とは何ですか?

*?や+?のように数量子の後に?を付けると、できるだけ短く一致します。「東京」と「大阪」に「.*」を使うと全体が1件ですが、「.*?」なら「東京」と「大阪」の2件に分かれます。

郵便番号の正規表現は?

入力欄の値全体なら^\d{3}-?\d{4}$です。文中から取り出すなら、前後に数字やハイフンがないことを確かめる(?<![\d-])\d{3}-\d{4}(?![\d-])を使うと、フリーダイヤルの番号などの一部を拾いません。

test()がtrueとfalseを交互に返すのはなぜですか?

gフラグ付きの正規表現はlastIndexを覚えていて、次のtest()をその位置から始めるためです。入力チェックではgフラグを付けないか、呼び出すたびにlastIndexを0に戻します。

出典と参考資料

正規表現チェッカーを開く

More テキスト処理

Every tool in the テキスト処理 section, free and in your browser.