正規表現を使って文字列を分割するには？［C#／VB］：.NET TIPS

RegexクラスのSplitメソッドを使用して、正規表現にマッチする部分をセパレーターとして、文字列を分割する方法を解説する。

» 2017年02月15日 05時00分公開

[山本康彦，BluewaterSoft／Microsoft MVP for Windows Development]

　正規表現パターンに一致する文字列をセパレーター（区切り）として使って文字列を分割するには、Regexクラス（System.Text.RegularExpressions名前空間）のSplitメソッドを利用する。本稿では、Splitメソッドの使い方を解説するとともに、少し高度な正規表現の書き方も紹介する。

　RegexクラスのSplitメソッドは.NET Frameworkの初期からあるものだが、掲載したサンプルコードの全てを試すにはVisual Studio 2015以降が必要である。

　なお、正規表現の書き方については、以下の.NET TIPSをご覧いただきたい。

正規表現を使って文字列を分割するには？

　RegexクラスのSplit静的メソッドを使えばよい（次のコード）。

　なお、RegexクラスにはSplitインスタンスメソッドもある。また、Splitメソッドにオプション引数を渡す方法は、IsMatchメソッドなどと同じである。静的メソッドとインスタンスメソッドの使い分けや、オプション引数を渡す方法については、「.NET TIPS：正規表現を使って文字列がパターンに一致するか調べるには？［C#／VB］」をご覧いただきたい。

using System.Text.RegularExpressions;
……省略……
string[] result
= Regex.Split("{分割対象文字列}", "{正規表現パターン}");

Imports System.Text.RegularExpressions
……省略……
Dim result As String() _
= Regex.Split("{分割対象文字列}", "{正規表現パターン}")

Split静的メソッドの使い方（上：C#、下：VB）
第1引数に分割対象の文字列を与え、第2引数にはセパレーターとなる正規表現パターンを与える。分割した結果は、文字列の配列として返される。

　上に示した書式だけを見ると、Stringクラス（System名前空間）のSplitメソッドと同じように思える。だが、セパレーターの指定に正規表現パターンが使えることで、柔軟で多彩な分割処理が可能になっているのだ。後述するように、CSVデータを項目に分解する処理なども行える。

実際の例

　まずは、正規表現パターンを使わないコンソールアプリの例を示そう（次のコード）。この場合は、StringクラスのSplitメソッドと同様の結果が得られる。コンソールに出力するための「DisplayAll」拡張メソッドをわざわざ作っているのは、以降のサンプルコードでも利用するためである。

using System.Text.RegularExpressions;
using static System.Console;

public static class StringArrayExtension
{
// 配列中の文字列を「'」で囲み、先頭に番号を付けて表示する
public static void DisplayAll(
    this System.Collections.Generic.IEnumerable<string> words)
{
    int count = 0;
    foreach (var s in words)
      WriteLine($"{++count}：'{s}'");
}
}

class Program
{
static void Main(string[] args)
{
    // StringクラスのSplitメソッド
    "吾輩は猫である。吾輩は子犬である。".Split('。')
      .DisplayAll();
    // 出力
    // 1：'吾輩は猫である'
    // 2：'吾輩は子犬である'
    // 3：''

    // RegexクラスのSplit静的メソッド
    Regex.Split("吾輩は猫である。吾輩は子犬である。", "。")
      .DisplayAll();
    // 出力
    // 1：'吾輩は猫である'
    // 2：'吾輩は子犬である'
    // 3：''

#if DEBUG
    ReadKey();
#endif
}
}

Imports System.Text.RegularExpressions
Imports System.Console

Module StringArrayExtension
' 配列中の文字列を「'」で囲み、先頭に番号を付けて表示する
<System.Runtime.CompilerServices.Extension()>
Public Sub DisplayAll(words As IEnumerable(Of String))
    Dim count As Integer = 0
    For Each s In words
      count += 1
      WriteLine($"{count}：'{s}'")
    Next
End Sub
End Module

Module Module1
Sub Main()
    ' StringクラスのSplitメソッド
    Dim s = "吾輩は猫である。吾輩は子犬である。"
    s.Split("。"c).DisplayAll()
    ' 1：'吾輩は猫である'
    ' 2：'吾輩は子犬である'
    ' 3：''

    ' RegexクラスのSplit静的メソッド
    Regex.Split("吾輩は猫である。吾輩は子犬である。", "。") _
      .DisplayAll()
    ' 1：'吾輩は猫である'
    ' 2：'吾輩は子犬である'
    ' 3：''

#If DEBUG Then
    ReadKey()
#End If
End Sub
End Module

RegexクラスのSplit静的メソッドを使う例（上：C#、下：VB）
「吾輩は猫である。吾輩は子犬である。」という文字列を、「。」をセパレーターとして分割している。文字列末尾の「。」もセパレーターであるから、その後ろにも空の項目があると判断される（出力の3番目）。
なお、C#コードの冒頭にある「using static System.Console;」という書き方は、Visual Studio 2015からのものだ。詳しくは、「.NET TIPS：構文：クラス名を書かずに静的メソッドを呼び出すには？［C# 6.0］」をご覧いただきたい。同様な機能がVBには以前から備わっており、「.NET TIPS：VB.NETでクラス名を省略してメソッドや定数を利用するには？」で解説している。
また、「Main」メソッド末尾にReadKeyメソッドを置く意味は、「.NET TIPS：Visual Studioでコンソール・アプリケーションのデバッグ実行時にコマンド・プロンプトを閉じないようにするには？」をご覧いただきたい。
拡張メソッドについては、MSDNの「拡張メソッド (C# プログラミングガイド)」／「拡張メソッド (Visual Basic)」を参照してほしい。

　上のコードでは冒頭で2つの名前空間をインポートしている。同じインポートが以降のサンプルコードでも必要であるが、以降では省略させていただく。

セパレーターとして2文字以上を使うには？

　RegexクラスのSplitメソッドでは、正規表現にマッチする文字列がセパレーターになるので、連続した2文字以上の文字列をセパレーターとして使うこともできる。

　例えば、連続して2文字以上続く英数字をセパレーターとして使うには次のコードのようにする（1文字の英数字はセパレーターにしない）。

Regex.Split("吾輩は1匹の猫であるAbc吾輩は1匹の子犬である987",
"[A-Z0-9][A-Z0-9]+", RegexOptions.IgnoreCase)
.DisplayAll();
// 出力
// 1：'吾輩は1匹の猫である'
// 2：'吾輩は1匹の子犬である'
// 3：''

Regex.Split("吾輩は1匹の猫であるAbc吾輩は1匹の子犬である987",
"[A-Z0-9][A-Z0-9]+", RegexOptions.IgnoreCase) _
.DisplayAll()
' 出力
' 1：'吾輩は1匹の猫である'
' 2：'吾輩は1匹の子犬である'
' 3：''

連続して2文字以上続く英数字をセパレーターとして使う例（上：C#、下：VB）
正規表現「[A-Z0-9][A-Z0-9]+」は、アルファベットの大文字か数字が2文字以上続くという意味だ（「[A-Z0-9]{2,}」でもよい）。さらにオプションとしてRegexOptions.IgnoreCaseを与えているので、アルファベットの小文字も含まれる。
英数字2文字以上の部分がセパレーターとなり、1文字の部分（この例では「1匹」の「1」）では分割されない。

セパレーターも結果に含めるには？

　セパレーターの一部または全部を結果に含めることもできる。それには、正規表現の中で、結果として取り出したい部分をかっこで囲ってグループにする。

　例えば、上の例で「Abc」と「987」がセパレーターになった。その先頭の文字「A」と「9」も分割結果に含めるには、次のコードのようにする。

Regex.Split("吾輩は1匹の猫であるAbc吾輩は1匹の子犬である987",
"([A-Z0-9])[A-Z0-9]+", RegexOptions.IgnoreCase)
.DisplayAll();
// 出力
// 1：'吾輩は1匹の猫である'
// 2：'A'
// 3：'吾輩は1匹の子犬である'
// 4：'9'
// 5：''

Regex.Split("吾輩は1匹の猫であるAbc吾輩は1匹の子犬である987",
"([A-Z0-9])[A-Z0-9]+", RegexOptions.IgnoreCase) _
.DisplayAll()
' 出力
' 1：'吾輩は1匹の猫である'
' 2：'A'
' 3：'吾輩は1匹の子犬である'
' 4：'9'
' 5：''

セパレーターの一部を分割結果に含める例（上：C#、下：VB）
正規表現「([A-Z0-9])[A-Z0-9]+」の意味は先の例とほぼ同じだが、1文字目をグループに指定している。
グループとしてキャプチャーされたセパレーターの一部が、独立した項目として分割結果に含まれる（複数のグループを作れば、それぞれが別の項目として分割される）。

正規表現パターン：キャプチャーしないグループ化構成体「(?:)」

　キャプチャーされたグループが結果に含まれるのは、意図と異なることもある。例えば、セパレーターとして「である。」と「であるが、」の2つを指定しようとして次のようなコードを書くと、OR条件の範囲を限定するために付けたかっこもグループとしてキャプチャーされてしまう。

Regex.Split("吾輩は猫である。吾輩は子犬であるが、猫ではない。",
"である(。|が、)")
.DisplayAll();
// 出力
// 1：'吾輩は猫'
// 2：'。'
// 3：'吾輩は子犬'
// 4：'が、'
// 5：'猫ではない。'

Regex.Split("吾輩は猫である。吾輩は子犬であるが、猫ではない。",
"である(。|が、)") _
.DisplayAll()
' 出力
' 1：'吾輩は猫'
' 2：'。'
' 3：'吾輩は子犬'
' 4：'が、'
' 5：'猫ではない。'

セパレーターの一部が意図に反して分割結果に含まれてしまう例（上：C#、下：VB）
セパレーターの正規表現「である(。|が、)」は、「である。」または「であるが、」という意味だ。分割した結果としては、出力例の1番目／3番目／5番目の3つだけがほしいのである。
ところが、OR条件の範囲を限定するためのかっこがグループとしてキャプチャーされてしまい、「。」（2番目）と「が、」（4番目）も出力されてしまった。

　非キャプチャーグループ化構成体「?:」は、かっこの中をキャプチャーさせないようにする（次のコード）。

Regex.Split("吾輩は猫である。吾輩は子犬であるが、猫ではない。",
"である(?:。|が、)")
.DisplayAll();
// 出力
// 1：'吾輩は猫'
// 2：'吾輩は子犬'
// 3：'猫ではない。'

Regex.Split("吾輩は猫である。吾輩は子犬であるが、猫ではない。",
"である(?:。|が、)") _
.DisplayAll()
' 出力
' 1：'吾輩は猫'
' 2：'吾輩は子犬'
' 3：'猫ではない。'

セパレーターのかっこ内を分割結果に含ませない例（上：C#、下：VB）
セパレーターの正規表現「である(?:。|が、)」の意味は先ほどとほぼ同じだが、非キャプチャーグループ指定「?:」により、かっこの中がキャプチャーされない。

CSVデータを分割する例

　最後に、CSVのデータを分割する例を紹介しよう（次のコード）。

　この正規表現の解読は、読者の皆さんへの宿題としたい。なお、これだけでは完璧とはいえないので注意してほしい。例えば、項目を囲む引用符「"」と項目中のエスケープされた引用符「""」はそのまま出力される（後処理として、項目の先頭と末尾から「"」を削る処理と、項目中の「""」を「"」に置換する処理が必要である）。

var csv = "猫, \"子犬\", , \"123,000\", 途中に\"\"引用符 , "
+ "途中に\r\n改行";
Regex.Split(csv, "\\s*,\\s*(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)").DisplayAll();
// 出力
// 1：'猫'
// 2：'"子犬"'
// 3：''
// 4：'"123,000"'
// 5：'途中に""引用符'
// 6：'途中に
// 改行'

Dim csv = "猫, ""子犬"", , ""123,000"", 途中に""""引用符 , " _
+ "途中に" + vbCrLf + "改行"
Regex.Split(csv, "\s*,\s*(?=(?:[^""]*""[^""]*"")*[^""]*$)").DisplayAll()
' 出力
' 1：'猫'
' 2：'"子犬"'
' 3：''
' 4：'"123,000"'
' 5：'途中に""引用符'
' 6：'途中に
' 改行'

CSVのデータを分割する例（上：C#、下：VB）
CSVのデータは、項目ごとに「,」で区切られている。ただし、「"」で囲った中にある「,」では区切らない。そのルールで分割するロジックを書くと複雑なコードになってしまうが、正規表現を使えば1行で分割できるのだ。
なお、CSVの規格「RFC 4180」では項目の前後の空白も項目に含めるべきとなっているが、ここではあえて削るようにしている。
また、CSVデータの分割には、Visual BasicのTextFieldParserクラス（Microsoft.VisualBasic.FileIO名前空間）を利用する方法もある（項目途中の改行には対応していない）。その方法は「.NET TIPS：CSVファイルを読み込むには？［2.0のみ、C#、VB］」をご覧いただきたい。その際、StringオブジェクトをTextFieldParserクラスに処理させるには、次のようにしてMemoryStreamオブジェクト（System.IO名前空間）に変換しておく。
Dim stream = New MemoryStream(System.Text.Encoding.UTF8.GetBytes(csv))
また、C#からVisual Basicの機能を使う方法は、「.NET TIPS：VB.NET固有の関数をC#で使用するには？」をご覧いただきたい。