Lightning Talk_正規表現で上司の無茶振りを解決してみた(架空のお話)

正規表現とは？

• 正規表現は、強力で柔軟、かつ効率的なテキスト処理の鍵を握る存在
• 様々な用途に対応できる能力と表現力を持った一般的なパターン言語が発達してきた

どういう場面で役に立つかストーリ仕立てで解説していきます！

上司からの依頼(ユースケース)

「郵便番号を1つの項目で管理しているWebシステム。これを別項目で管理するようになるので移行します！ただ、現状正しい書式で入っていないものもいくつかあるのでまずはその数を調査してほしい！」

レコードは80万行あります！！！

依頼まとめ

• 住所項目に正しい郵便番号が設定されていないレコード数を調査
• 80万行のCSVファイルから(カンマで値を区切ったテキストファイル)

考えられる手法

1.CSVならEXCELが得意！Excelやスプレットシートに貼り付けて検索しよう！
→80万行だとファイルが壊れるしめっちゃ重くなりそう。

2,俺の目に任せろ！！(目視で件数を数える)
→この根性は別のタイミングで活かしましょう。

こんなときに正規表現が役にたちます！

この要件の法則

1. 行の中でカンマ(,)3番目以降が郵便番号
2. 郵便番号は3桁数字+ハイフン+4桁数字

正規表現

この文字列で検索してみましょう！

\d{3}-\d{4}

\d：正規表現で数字を表現
{n}：直前の文字列をN回繰り返す

なので上記の正規表現は「数字3つと数字4つハイフンで繋げた文字列」を表すので郵便番号を表現できたそう。
ただ、このやり方には以下2点の問題があります。

• 「1603-8135」のような前の数字が4つの行も検索してしまう
• そもそも誤った郵便番号が設定されていない行を知りたい(今は合致している行を選択している)

この要件を満たすために以下の正規表現で検索をかけてみます！

(?<=^([^,]*,){3})(?!\d{3}-\d{4}[^\d])

すると、想定通り住所項目に正しい郵便番号が設定されていない位置がしていされます！
テキストエディタでは選択された行数を簡単にカウントできるのでこれでいけそうです。

正規表現解説

(?<=^([^,]*,){3})(?!\d{3}-\d{4}[^\d])

左の部分で先頭から3番目のカンマ区切り位置を表現して、右側で郵便番号の書式が存在しないことを表現している。

まとめ

正規表現を使えば、あらゆるパターンの文字列を検索できる！
便利！