この連載では、翻訳の現場で役に立つ正規表現を取り上げながら、memoQやSDL Trados StudioのようなCATツール※で利用できる正規表現について解説しています。※ CATツールとは、翻訳支援（Computer Assisted Translation）ツールの略称で、翻訳メモリや用語集を使って翻訳業務を効率化するためのツールを指します。

前回の記事では、HTMLタグを検索するために、任意の1文字を表す「.」と1回以上の繰り返しを表す「+」を使って<.+?>という正規表現を作りました。しかし、この正規表現は、HTMLタグでない文字列にもヒットしてしまいます。今回の記事では、この正規表現を改善してみましょう。

あるかないか「?」

HTMLタグには開始タグと終了タグがあり、たとえばp要素なら、開始タグが「

」、終了タグが「

前回の記事で用いた「+?」のように、「?」の直前が繰り返しの回数を表す「量指定子（quantifier）」の場合、「?」は最長一致を最短一致に変えます。それ以外の場合、「?」自身が量指定子となり、その直前の文字（またはグループ）の0回または1回の繰り返しを表します。

したがって、 とすれば、「<」のあとに「/」があるかもしれないしないかもしれない文字列、つまり「<」または「

あれかこれか「|」

そのあとは要素名が続きますが、まずは話を簡単にするために、「a」「em」「strong」の3種のHTML要素のタグのみを検索したいとします。すると、 のあとに「aまたはemまたはstrong」を表す正規表現を続けることになります。

この「または」を表すメタ文字が「|」です。つまり、a|em|strongという正規表現が「a」または「em」または「strong」を表します。そこで、 という正規表現で「」や「」などを検索できます。

なお、「( )」は、ご想像の通り、正規表現を一まとめにグループ化するものです。「( )」をつけずに とすると、 またはemまたはstrong>で検索することになってしまいます。

実は「( )」にはもう1つ重要な機能があるのですが、それは次回以降の記事で紹介します。

本当にいくつでも「*」

さて、 は「」にはマッチしますが「」にはマッチしません。「 」の間にいろいろな文字がはさまっているパターンも検索できるようにしましょう。

前回の記事と同様に「いろいろな文字」を「.」で表すとして、今回は「+」は使えません。「+」は1回以上の繰り返しですが、今回は任意の文字が0文字かもしれないからです。そんなときは、0回以上の繰り返しを表す「*」を使います。

前回の記事で見たように、ゴー+ルは「ゴール」「ゴーール」「ゴーーール」などにマッチしますが、ゴー*ルとすると、それらに加えて「ゴル」にもマッチします。

「*」も、「+」と同様、貪欲です。怠惰にするには「?」を続けます。そこで、 という正規表現が、a要素またはem要素またはstrong要素の開始タグまたは終了タグにマッチします。

「.」に注意

ところが、この正規表現は、3種のHTML要素のタグには確かにマッチするのですが、別のHTML要素、たとえばaddress要素のタグにもマッチしてしまいます。「