정규식 - 찾을 것을 글자 대신 규칙으로 적는다

수배 전단에는 이름이 아니라 인상착의가 적힌다. 누구인지 몰라도 찾을 수 있게 하려는 것이고, 정규식이 하는 일이 정확히 그것이다.

글자 그대로 찾으면 되는 줄 알았다

로그에 남은 전화번호를 찾아 가려야 한다고 하자. 문자열 함수부터 꺼내게 된다.

line.contains("010-1234-5678")

이건 그 번호 하나만 찾는다. 우리는 어떤 번호가 들어 있는지 모른다. 그래서 다음으로 손이 가는 게 이것이다.

line.startsWith("010")

이제 02-555-0100을 놓친다. 그리고 0101호 창고도 걸린다. 조건을 덧붙이기 시작한다. 길이를 재고, -가 몇 개인지 세고, 잘라서 숫자인지 확인한다. 그렇게 스무 줄쯤 쌓이면 이 코드는 아무도 못 고치는 덩어리가 된다.

무엇이 문제였나. 우리가 찾던 것은 정해진 글자가 아니라 정해진 꼴이었다. 그런데 문자열 함수는 정해진 글자를 찾는 도구다. 도구가 문제를 안 닮았다.

이름 대신 인상착의를 적는다

이름을 알면 이름을 적으면 된다. contains가 그것이다. 모를 때는 어떻게 하나. 수배 전단은 그 자리에서 이렇게 적는다.

키 180 안팎, 검은 모자, 왼쪽 뺨에 흉터.

이 전단은 한 사람을 가리키지 않는다. 조건에 맞는 사람 전부를 가리킨다. 전단을 든 사람은 얼굴을 몰라도 골목에서 사람을 붙잡을 수 있다.

정규식은 글자로 적은 인상착의다. 찾을 것을 그대로 적는 대신 “이런 꼴인 것”이라고 적는다. 그러면 그 꼴인 것 전부가 걸린다. 시리즈 내내 이 전단 하나로 이야기를 끌고 가겠다.

인상착의는 두 가지로 적는다 - 무엇이, 몇 개

인상착의를 적으려면 두 가지가 필요하다. 무엇이 있는지와 그게 몇 개인지다. 정규식도 딱 그 둘로 되어 있다.

무엇이 있는지는 글자의 갈래로 적는다. [0-9]는 숫자 한 자, [가-힣]은 한글 한 자, [abc]는 셋 중 하나, .은 아무 글자 한 자다. 자주 쓰는 것에는 줄임말이 있어서 [0-9] 대신 \d라고 쓴다.

몇 개인지는 뒤에 붙인다. +는 한 번 이상, *는 없어도 되고 여러 번도 되고, ?는 있거나 없거나, {2,3}은 두 개나 세 개다.

이 둘을 붙이면 인상착의가 된다. \d{2,3}은 “숫자가 두세 자”. 그러면 전화번호 꼴은 이렇게 적힌다.

\d{2,3}-\d{3,4}-\d{4}

숫자 두세 자, 하이픈, 숫자 서너 자, 하이픈, 숫자 네 자. 앞의 스무 줄이 한 줄이 됐다. 그리고 정규식 문법의 뼈대는 사실상 여기까지다. 나머지는 이 둘의 변형이거나 자주 쓰는 것에 붙인 줄임말이다.

하나가 아니라 한 무리를 가리킨다

여기서 성질 하나가 갈린다. 글자를 적으면 그 글자 하나가 걸리지만, 규칙을 적으면 그 규칙에 맞는 것 전부가 걸린다.

같은 목록에 같은 일을 시켰는데 한쪽은 한 줄, 다른 쪽은 세 줄이 걸렸다. 이게 정규식을 쓰는 이유 전부이자, 앞으로 볼 골칫거리 전부의 출발점이기도 하다. 한 무리를 가리킨다는 건 그 무리에 무엇이 들어 있는지 내가 다 안다는 뜻이 아니다.

인상착의를 넓게 적을수록 걸리는 사람이 늘어난다. 그중에는 찾던 사람이 아닌 이도 섞인다.

전단을 어디에 붙일지도 정해야 한다

전단을 골목 어귀에 붙이느냐 온 동네에 붙이느냐는 다른 문제다. 정규식에도 같은 구분이 있다.

기본 동작은 문자열 어딘가에 그 꼴이 있으면 걸린다는 것이다. 그래서 \d{3}으로 검사한 입력 칸에 abc123def가 통과한다. 123이 안에 들어 있으니까.

이걸 못 박는 것이 앵커다. ^는 문자열의 시작, $는 끝을 뜻한다. ^\d{3}$이라고 적으면 “처음부터 끝까지 숫자 세 자”가 되어 abc123def는 떨어진다.

규칙 하나로 정리된다. 찾을 때는 부분 일치가 맞고, 검증할 때는 전체 일치가 맞다. 검증하러 온 정규식에 앵커가 없으면 대개 버그다.

잡은 것을 도로 꺼낸다

정규식은 찾기만 하는 도구가 아니다. 찾은 자리에서 조각을 뽑아 오는 일까지 한다. 그 장치가 괄호다.

(\d{2,3})-(\d{3,4})-(\d{4})

괄호로 묶어 두면 걸린 뒤에 각 조각을 따로 꺼낼 수 있다. 첫째 묶음은 지역번호, 둘째는 국번, 셋째는 뒷자리다. 치환할 때는 $1, $2처럼 부른다. 전화번호를 010-****-5678로 가리는 일이 한 줄이 되는 게 이 덕분이다.

괄호에는 역할이 하나 더 있다. 묶어서 한 덩어리로 만드는 것이다. ab+는 b만 반복되지만 (ab)+는 ab 전체가 반복된다. 이 “묶어서 반복”이 다음 글부터 이야기의 중심이 된다. 편해 보이는 이 괄호 하나가 서버를 세우는 일이 실제로 벌어진다.

정규식은 뜻을 모른다

여기서 전단 비유가 깨진다. 밝혀 두고 가야 한다.

전단을 든 순경은 판단을 한다. 인상착의가 좀 어긋나도 “수상하다” 싶으면 붙잡고, 딱 맞아도 아니다 싶으면 보낸다. 정규식은 그런 걸 전혀 못 한다. 글자의 생김새만 본다.

그래서 \d{2,3}-\d{3,4}-\d{4}는 999-9999-9999도 통과시킨다. 세상에 없는 번호지만 꼴은 맞다. 형식과 사실은 다른 것이고, 정규식이 답할 수 있는 건 형식뿐이다.

한 가지 더 있다. “글자 하나”가 무엇인지조차 정규식이 정하지 않는다. .이 한 자를 뜻한다고 했지만 이모지 하나가 . 두 개로 세지는 일이 흔하다. 사람이 세는 글자와 컴퓨터가 세는 단위가 층마다 다르기 때문이고, 정규식은 그 아래층의 규칙을 그대로 물려받는다.

실무에서: 이미 곳곳에 들어 있다

정규식은 배워서 쓰는 도구라기보다 이미 들어가 있는데 모르고 지나치는 도구에 가깝다.

• 로그를 뒤질 때. grep에 넘기는 것이 정규식이다. 문자열로만 남긴 로그에서 무언가를 찾아내야 할 때 유일한 손이 된다.
• 라우팅. 웹 프레임워크가 /users/{id} 같은 경로를 실제로 맞춰 볼 때 그 밑에서 도는 것이 정규식이다.
• 입력 검증. 아이디 규칙, 우편번호, 사업자번호 같은 형식 검사가 전부 여기다.
• 에디터의 일괄 치환. 찾기 창의 .* 체크박스가 그것이다. 코드 수백 곳을 한 번에 고치는 일이 여기서 난다.

읽는 쪽도 챙겨야 한다. 돌아가는 정규식과 읽히는 정규식은 다르다. 한 줄이 길어지면 두 달 뒤의 내가 못 읽는다. 대부분의 언어가 괄호에 이름을 붙이는 문법((?<areaCode>\d{2,3}))과 패턴 안에 주석·줄바꿈을 허용하는 옵션을 갖고 있다. 길어질 것 같으면 처음부터 그쪽으로 쓴다.

마지막으로 값싼 습관 하나. 같은 패턴을 반복해서 쓸 거면 미리 컴파일해 재사용한다. 정규식은 쓸 때마다 문자열을 해석해 내부 구조로 바꾸는데, 루프 안에서 매번 새로 만들면 그 비용을 계속 낸다. 자바라면 Pattern.compile()의 결과를 상수로 들고 있는 식이다.

정리

• 문자열 함수는 정해진 글자를 찾는다. 우리가 자주 찾는 것은 정해진 꼴이라 도구가 문제를 안 닮았다.
• 정규식은 이름 대신 적는 인상착의다. 한 대상이 아니라 그 꼴인 것 한 무리를 가리킨다.
• 인상착의는 둘로 적는다. 무엇이 있는지(문자 갈래)와 몇 개인지(반복). 뼈대는 사실상 여기까지다.
• 기본은 부분 일치다. 검증에 쓸 거면 ^와 $로 못 박는다. 앵커 없는 검증 패턴은 대개 버그다.
• 괄호는 조각을 뽑아 오고, 여러 글자를 묶어 반복시킨다. 이 묶기가 다음 이야기의 재료다.
• 정규식은 뜻을 모른다. 꼴이 맞는지만 답한다. 꼴이 맞는 것과 실제로 존재하는 것은 다르다.

다음 글은 전단을 든 쪽으로 넘어간다. 엔진은 이 인상착의를 들고 골목을 어떻게 뒤지는가. 거기서 탐욕과 게으름이 왜 다른 답을 내는지가 풀린다.