正規表現における文字の指定方法を深める――「文字クラス」と「Unicodeプロパティエスケープ」：ECMAScriptで学ぶ正規表現（4）

正規表現の基本と、ECMAScript（JavaScript）における利用方法を紹介する連載。今回は、文字クラスによる文字の指定方法と、便利なUnicodeプロパティエスケープについて。

[山内直（著）／山田祥寛（監修），WINGSプロジェクト]

連載：ECMAScriptで学ぶ正規表現

　本連載のサンプルコードをGitHubで公開しています。こちらからダウンロードしてみてください。具体的な利用方法は連載第1回を参考にしてください。

　正規表現を使うポイントに、「検索するパターンをどのように指定するか？」ということがあります。ここで重要なのが、文字の種類に基づく文字クラスです。一般的な正規表現では大ざっぱな指定しかできませんでしたが、Unicodeプロパティエスケープを使うことで日本語でも緻密な指定が可能になりました。今回は、文字クラスについておさらいし、本命のUnicodeプロパティエスケープを紹介していきます。

文字クラス

　文字クラスについては、第2回で代表的なメタ文字であると紹介しました。文字クラスを使うと、大ざっぱな指定で特定の文字種を表現できます。表1に、文字クラスの一覧を示します（第2回の表1を詳細にして再掲）。

メタ文字	機能
.	あらゆる1文字とマッチする
\d	数字とマッチする
\D	数字以外とマッチする
\w	英数字とマッチする
\W	英数字以外とマッチする
\s	ホワイトスペース文字とマッチする
\S	ホワイトスペース文字以外とマッチする
\t	水平タブ文字（0x09、U+0009）とマッチする
\v	垂直タブ文字（0x0b、U+000B）とマッチする
\r	復帰文字（0x0d、U+000D）とマッチする
\n	改行文字（0x0a、U+000A）とマッチする
\f	改ページ文字（0x0c、U+000C）とマッチする
[\b]	バックスペース文字（0x08、U+0008）とマッチする。単独で使うと単語境界を表すメタ文字\bと被るので文字集合（[ ]）の内部でのみ使う
\0	ヌル文字（0x00、U+0000）とマッチする。0〜7の数字を続けると8進数と解釈されてしまうので注意
\cX	制御文字とマッチする。XはA〜Zの英大文字。いわゆるCtrl+Zなら\cZというように表記する
\xhh	2桁の16進数（hh）からなる文字とマッチする（\x20以上）
\uhhhh	4桁の16進数（hhhh）からなるUnicodeコードポイントとマッチする（\u0020以上）
\u{hhhh}〜\u{hhhhhh}	4〜6桁の16進数からなるUnicodeコードポイントとマッチする（使用にはuフラグが必要）
表1　文字クラス

　このうち、ドット（.）から\Sまでは第2回で紹介しました。今回は、制御文字やコード指定について紹介します。

［NOTE］Unicodeコードポイント

　表1において、タブ文字や復帰文字のコードを「U+0009」などと示しましたが、これはUnicodeにおけるコードポイントを表します。コードポイントとは、Unicodeにおける文字コードのようなもので、各文字に与えられた識別子です。Unicodeであることを表すUの文字とともに、プラス記号（+）に続けて16進数でコードを表記します。Unicodeが制定された初期の頃は4桁の16進数でコードポイントを指定していましたが、その後の文字の拡張で現時点では最大6桁の16進数で指定します。

制御文字にマッチする\t、\nなど