PHP

正規表現のチートシートをダウンロードして、眺めつつ多少手の込んだ正規表現を書いていたのですが・・・

そこに「ungreedy」の文字が。

ungreedy?辞書で調べると出てこないので”greedy”で検索。

すると、「貪欲性」。

ど、貪欲・・・？

とりあえず、使ってみようと思いハマってた対象文字列に適用したらHit!
うまく取り出せました！

ちなみに、ハマってたＳＱＬはこんな感じ。

<?php
$_target = "<div><h1>Top Page</h1><div>";

preg_replace("/<.*>/",$_target);

?>

普通に考えてみれば、これで”div”とかとれんじゃね？とか思ったんですが、甘い。
取れる文字列は「<div><h1>Top Page</h1><div>」と全体が取れます。

何故か？これは正規表現の「*」の動きが問題です。

「*」は直前の正規表現に0回以上一致です。そして今回の場合「.*」としたので、「何でもいい文字列が0回以上一致」となります。

何でも良いので、「>」も「.」に含まれてしまったという事です・・・。

これは正規表現の「*」が貪欲（greedy)であるというところが問題です。
貪欲とは「最大単位で一致」させていくという方法です。今回の場合、「.*」と書いてある瞬間に、一番最大単位である文字全体をマッチとしてしまったようです。

そこで、非貪欲(non greedy)にさせるモードがこちら。

<?php
$_target = "<div><h1>Top Page</h1><div>";

preg_replace("/<.*?>/",$_target);

?>

変更した点は1つ。「.*?」に書き換えました。
こう書き換えると非貪欲性になるので、最小単位での一致検索になります。これで「div」が取り出せるようになりました。
なかなかこういう違いは気づきにくいですね・・・まだまだ正規表現初心者だと思いました。

【参考資料】

http://www.python.jp/Zope/articles/tips/regex_howto/regex_howto_6