正規表現の基本 — 6つの部品と、.*が取りすぎる理由

正規表現の基本。文字列を調べる虫眼鏡と、ドットやアスタリスクなどの記号。

正規表現は暗記するものではなく、6つの部品の組み合わせです。

ログから特定の行だけ抜く、入力が想定の形かを確かめる、置換する。どれも「文字の並びを言葉で書く」だけで済みます。ところが記号が多いので、見た瞬間に読むのをやめてしまう人が多い。

この記事では、実際のログを相手に、少しずつ部品を足しながら組み立てます。あわせて書き方を間違えると、意図の10倍の行に当たることも実際に出します。使う道具は grep と、ブラウザの JavaScript です。

対象レベル: 初級 / 区分: 必修

目次

この記事でわかること

  • 覚える部品は「1文字」「繰り返し」「位置」「まとまり」「選択」「打ち消し」の6つだけであること
  • .* ができるだけ長く取ること(欲張り)と、その止め方
  • 点は「任意の1文字」なので、. をそのまま書くと点以外にも当たること
  • grep の既定と -E で使える記号が違う理由
  • 正規表現でやってはいけないこと(HTML の解析、メールアドレスの完全な検証)

この記事でやること

  1. 練習用のログを作る
  2. grep で、部品を1つずつ足しながら目的の行に絞り込む
  3. 欲張りな .* で取りすぎるところを実際に出す
  4. ブラウザで、取り出し(キャプチャ)と置換をやる
  5. 入力チェックに使うときの限界を確かめる

先に知る言葉

この記事で初めて出てくる言葉です。 詳しくは用語集にもまとめてあります。

言葉意味
正規表現文字の並びを記号で書いて、探す・取り出す・置き換えるための書き方
メタ文字. や * のように、特別な意味を持つ記号
エスケープメタ文字を記号そのものとして扱わせること。\. のように書く
欲張り.* ができるだけ長く取ろうとする性質
キャプチャ( ) で囲んだ部分をあとで取り出せるようにすること

前提と作業場所

VM の中(Ubuntu Server)で打ちます。 後半のブラウザの部分だけ、Windows 側で開発者ツールを使います。どちらも読み取りだけで、既存のファイルは触りません。

練習用のログを作る

cd ~
mkdir -p relab
cd relab
cat > access.log <<'EOF'
2026-09-01 10:12:33 INFO  user=sato   path=/api/tasks     status=200 ms=12
2026-09-01 10:12:35 WARN  user=tanaka path=/api/tasks/99  status=404 ms=8
2026-09-01 10:13:02 ERROR user=sato   path=/api/login     status=500 ms=1043
2026-09-01 10:13:40 INFO  user=suzuki path=/api/tasks     status=200 ms=9
2026-09-02 09:01:11 ERROR user=tanaka path=/api/tasks     status=500 ms=2210
2026-09-02 09:05:00 INFO  user=sato   path=/health        status=200 ms=2
EOF
wc -l access.log
6 access.log

部品は6つだけ

部品書き方意味
1文字. / [0-9] / [a-z]任意の1文字 / 数字1つ / 英小文字1つ
繰り返し* / + / {3}0回以上 / 1回以上 / ちょうど3回
位置^ / $行の先頭 / 行の末尾
まとまり( )ひとかたまりにする。あとで取り出せる
選択|どちらか
打ち消し[^ ] / \それ以外の1文字 / 記号を記号として扱う

これ以上は、必要になってから調べれば足ります。

1つずつ足して、絞り込む

まず、そのまま探します。

bash
$ grep "ERROR" access.log
2026-09-01 10:13:02 ERROR user=sato   path=/api/login     status=500 ms=1043
2026-09-02 09:01:11 ERROR user=tanaka path=/api/tasks     status=500 ms=2210

正規表現を使わなくても、これで足りることは多いです。必要になるのはここからです。

位置を指定する

「9月2日の行」を出します。日付は行の先頭にあります。

bash
$ grep "^2026-09-02" access.log
2026-09-02 09:01:11 ERROR user=tanaka path=/api/tasks     status=500 ms=2210
2026-09-02 09:05:00 INFO  user=sato   path=/health        status=200 ms=2

^ を付けないと、行のどこにあっても当たります。先頭と決まっているなら、付けたほうが速く、誤爆しません。

数の範囲を指定する

「500 番台のエラー」を出します。

bash
$ grep "status=5[0-9][0-9]" access.log
2026-09-01 10:13:02 ERROR user=sato   path=/api/login     status=500 ms=1043
2026-09-02 09:01:11 ERROR user=tanaka path=/api/tasks     status=500 ms=2210

[0-9] を2回書く代わりに、回数を指定できます。ただし {2} は -E が要ります。

bash
$ grep -E "status=5[0-9]{2}" access.log

grep の既定(BRE)と -E(ERE)で、記号の扱いが違います。

書きたいもの既定の grepgrep -E
1回以上\++
回数指定\{2\}{2}
まとまり\( \)( )
どちらか\||

迷ったら -E を付けてください。 他の言語の書き方と同じになります。

どちらか、を書く

bash
$ grep -E "(WARN|ERROR)" access.log

3行返ります。| の範囲は ( ) で囲まないと行全体に広がりますので、囲む癖を付けてください。

時間のかかった行だけ出す

「ms が4桁以上」を出します。

bash
$ grep -E "ms=[0-9]{4,}$" access.log
2026-09-01 10:13:02 ERROR user=sato   path=/api/login     status=500 ms=1043
2026-09-02 09:01:11 ERROR user=tanaka path=/api/tasks     status=500 ms=2210

{4,} は「4回以上」、$ は行末です。行末を付けないと、ms=12 の途中にも当たりかねません。

点は「任意の1文字」

ここは必ず一度は踏みます。日付の区切りを探すつもりで書きます。

bash
$ grep -Ec "09.01" access.log
$ grep -Ec "09\.01" access.log
5
0

1つ目は 5 行、2つ目は 0 行です。

. は「任意の1文字」なので、09-01(日付)にも 09:01(時刻)にも当たりました。 一方、このログに「09.01」という並びは1つも無いので、打ち消したほうは 0 行になります。 点を点として扱いたいときは \. と書きます。

0 行になったこと自体が答えです。 打ち消していない側の 5 行は、 探したかったものではなく、たまたま形が合っただけでした。

IP アドレスや拡張子を書くときに、この差が出ます。[0-9]+\.[0-9]+ のように、必ず打ち消してください。

欲張りな .*

ブラウザに移ります。F12 → Console を開いてください。

const line = 'path=/api/tasks status=200 ms=12';
line.match(/path=(.*) status/)[1];
'/api/tasks'

意図どおりに取れました。

取りすぎるのは、同じ区切りが後ろにもあるときです。

const line3 = 'a=1 status=x b=2 status=y';
line3.match(/a=(.*) status/)[1];
'1 status=x b=2'

.* は、条件が成立する範囲で「できるだけ長く」取ります。 これを欲張りと呼びます。 止め方は2つです。

書き方意味結果
(.*?)できるだけ短く取る'1'
([^ ]*)空白以外を取る(区切りを跨がない)'1'
line3.match(/a=(.*?) status/)[1];
line3.match(/a=([^ ]*) status/)[1];
'1'
'1'

おすすめは2つ目です。 「何を取りたいか」を書いているので、意図が読めます。 .*? は「とりあえず短く」でしかなく、区切りが変わると壊れます。

取り出しと置換

( ) で囲んだところは、あとで番号で取り出せます。

const log = '2026-09-01 10:13:02 ERROR user=sato path=/api/login status=500';
const m = log.match(/^(\d{4}-\d{2}-\d{2}) (\d{2}:\d{2}:\d{2}) (\w+)/);
m[1]; m[2]; m[3];
'2026-09-01'
'10:13:02'
'ERROR'

\d は [0-9]、\w は [A-Za-z0-9_] の短い書き方です。

置換もできます。利用者名を伏せます。

log.replace(/user=(\w+)/, 'user=***');
'2026-09-01 10:13:02 ERROR user=*** path=/api/login status=500'

取り出した部分を使いたいときは $1 です。

log.replace(/user=(\w+)/, (all, name) => 'user=' + name[0] + '***');
'2026-09-01 10:13:02 ERROR user=s*** path=/api/login status=500'

使ってはいけない場面

正規表現は「文字の並び」しか見られません。 構造があるものには向きません。

やりたいこと向き代わりに使うもの
ログから1行を抜く向く—
HTML からタグの中身を取る向かないHTML の解析器(入れ子を数えられる)
JSON から値を取る向かないJSON.parse
メールアドレスが正しいか判定向かない実際に送って確認する

メールアドレスは、正規表現で完全には判定できません。 仕様が複雑で、 厳密に書こうとすると数百文字になり、それでも取りこぼします。実務では 「@ が1つあるか」程度に留め、確認メールを送って本人に押させます。

入力チェックに使うときは、「弾く」ためではなく「明らかな打ち間違いに気づかせる」ためと 考えてください。本当の検証は、使ってみることでしか終わりません。

つまずいたところ

. を打ち消さずに書いて、想定の倍の行に当たりました。 ファイル名の .log を探したつもりが、xlog にも当たっていました。点を書いたら 「これは任意の1文字でよいか」を確かめるようにしています。

grep で + が効かず、正規表現を疑いました。 原因は -E の付け忘れでした。 いまは最初から -E を付けています。

メールアドレスの検証を厳しく書きすぎて、実在するアドレスを弾きました。 記号を含む正しいアドレスが登録できず、問い合わせで発覚しました。緩くして、確認メールに任せました。

後片づけ

bash
$ cd ~
$ rm -rf ~/relab
$ ls ~

作ったのは ~/relab だけです。ブラウザ側は、再読み込みすれば打った内容は消えます。

まとめ

  • 覚える部品は6つ。1文字・繰り返し・位置・まとまり・選択・打ち消し
  • . は任意の1文字。 点として扱いたいなら \.
  • .* は欲張る。 区切りを跨ぎたくないなら [^ ]* と書く
  • grep は-E を付ける。他の言語と同じ書き方になる
  • 構造があるものには使わない。 HTML・JSON・メールアドレスは別の道具で

参考リンク

次に読む

この記事は 【第1段階】Linux の 13 / 13 本目です。

記事
← 前の記事サーバーの中身はテキスト — grep・sed・awkとvim
→ 次の記事DNSとHTTPSを自分のドメインで確かめる — 未経験の1歩目

上から順に読めば積み上がるように並べています。 飛ばしても構いませんが、詰まったら前の回に戻ってください。

全体の順路は はじめに にあります。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次