Regex for Beginners: Pattern Matching in 10 Minutes — csv-x.com

나에게 정규 표현식을 사랑하게 만든 $47,000의 실수

내가 우리 생산 데이터베이스를 망친 날이 아직도 기억난다. 오전 2시 47분, 나는 중소 규모 핀테크 회사에서 데이터 엔지니어 경력 3년 차였고, CRM 시스템에서 230만 개의 고객 이메일 주소를 청소하기 위해 실행하려고 했던 스크립트를 막 실행한 상태였다. 스크립트는 간단했다—내가 생각하기에는. 나는 기본 문자열 메소드를 사용하여 잘못된 이메일 패턴을 찾아서 대체했다. 몇 분 안에 고객 서비스 팀은 불만을 접수하기 시작했다. 아침이 되자 우리는 340,000개의 이메일 레코드를 손상시켰고 CEO는 해명을 요구하고 있었다.

비용은? 긴급 데이터 복구에 $47,000, 수많은 시간의 수동 검증. 교훈은? 처음부터 정규 표현식을 사용했어야 했다. 그 고통스러운 경험은 나를 정규 표현식 회의론자에서 전도자로 변화시켰다. 이제 15년 후, 의료, 금융 및 전자 상거래 시스템에서 180억 개 이상의 기록을 처리한 선임 데이터 아키텍트로서 정규 표현식이 개발자 도구 키트에서 가장 과소평가된 기술이라는 것을 자신 있게 말할 수 있다.

초보자에게 아무도 말해주지 않는 진실이 있다: 정규 표현식을 마스터할 필요 없이 80%의 가치를 얻을 수 있다. 사실, 10분 정도면 실제 문제의 90%를 해결하는 핵심 패턴을 배울 수 있다. 이것이 바로 이 가이드가 가르쳐 줄 내용이다. 학문적인 이론도, 난해한 설명도 없다—단지 내가 매일 사용하여 데이터를 검증하고 정보를 추출하며 대규모로 텍스트를 변형하는 실용적인 패턴이다. CSV 파일을 정리하든, 사용자 입력을 검증하든, 로그 파일을 파싱하든, 이러한 패턴은 지루한 문자열 조작 코드를 수 시간 절약해 줄 것이다.

정규 표현식이란 무엇인가 (그리고 왜 신경 써야 하는가)

전문 용어는 자르자. 정규 표현식—혹은 정규식—은 간단히 텍스트를 설명하는 패턴이다. 이는 스테로이드로 강화된 "찾고 교체하기"라고 생각하면 된다. "hello"와 같은 정확한 텍스트를 찾는 대신 "h로 시작하고 o로 끝나는 단어" 또는 "전화번호처럼 보이는 숫자의 이웃"과 같은 패턴을 검색할 수 있다.

"주니어 개발자와 시니어 개발자의 차이는 더 많은 언어를 아는 것이 아니라, 5줄의 정규 표현식이 50줄의 취약한 문자열 조작 코드를 대체할 수 있는 때를 아는 것이다."

정규 표현식이 중요한 이유는 규모와 정밀도 때문이다. 지난 분기, 나는 의료 클라이언트를 도와 470만 개의 환자 기록을 레거시 시스템에서 가져왔다. 전통적인 문자열 메소드를 사용했더라면 수백 줄의 조건부 논리가 필요했고, 작성하고 디버깅하는 데 몇 주가 걸렸을 것이다. 정규식을 사용하여 날짜 검증부터 의료 기록 번호 포맷팅까지 처리하는 12개의 패턴을 작성했다. 전체 검증 세트는 3분도 안 되어 실행되었다.

정규 표현식은 사실상 모든 프로그래밍 언어에서 지원된다—Python, JavaScript, Java, C#, Ruby, PHP, Go, 심지어 SQL 데이터베이스에서도. 정규 표현식을 한 번 배우면 어디에서나 적용할 수 있다. 이는 터치 타이핑을 배우는 것과 같다: 초기 투자가 당신의 전체 경력에 대해 많은 이익을 가져다준다.

하지만 정규 표현식을 진정으로 강력하게 만드는 것은 선언적이라는 점이다. 무언가를 찾는 방법에 대한 단계별 지침을 작성하는 대신, 무엇을 찾고 있는지를 설명한다. 문서에서 모든 이메일 주소를 찾고 싶다면? "@" 기호, 점 및 유효한 문자를 확인하기 위한 루프를 작성하는 대신, 이메일 주소의 구조를 설명하는 단일 패턴을 작성한다. 정규식 엔진이 모든 검색 논리를 처리한다.

학습 곡선은 존재한다, 나는 거짓말하지 않겠다. 정규 표현식 문법은 처음에는 외계어처럼 보인다—모든 백슬래시, 괄호 및 암호 같은 기호들. 하지만 핵심 구성 요소를 이해하게 되면 모든 것이 맞아떨어진다. 이는 음악 기보법을 배우는 것과 같다: 처음에는 위협적으로 보이지만, 기초를 이해하면 논리적이고 일관되다. 그리고 새로운 프로그래밍 언어를 배우는 것과 달리, 하루 오후에 정규 표현식으로 생산성을 높일 수 있다.

알아야 할 다섯 가지 핵심 구성 요소

모든 정규 표현식 패턴은 다섯 가지 기본 개념으로 구성된다. 이러한 요소를 마스터하면 거의 모든 텍스트 일치 시나리오를 위한 패턴을 구성할 수 있다. 나는 이러한 구성 요소를 사용하여 유전자 서열부터 금융 거래 로그까지 처리해왔다.

리터럴 문자는 가장 간단한 구성 요소이다. 패턴 "cat"은 정확한 텍스트 "cat"과 일치한다. 특별할 것 없이 기초다. 서버 로그를 파싱할 때, 나는 리터럴 패턴을 사용하여 특정 오류 코드나 API 엔드포인트를 찾는 데 사용한다.

문자 클래스는 집합에서 어떤 문자와도 일치시킬 수 있다. 대괄호는 집합을 정의한다: [abc]는 "a", "b" 또는 "c"와 일치한다. [0-9]는 모든 숫자와 일치한다. [a-zA-Z]는 모든 영문자의 대문자와 소문자와 일치한다. 지난 달, 나는 [0-9]{3}-[0-9]{2}-[0-9]{4}를 사용하여 급여 시스템에서 사회 보장 번호를 검증하였다—이 패턴은 XXX-XX-XXXX 형식에서 정확히 아홉 자리 숫자와 일치하며, 생산에 도달하기 전에 127개의 포맷 오류를 잡아냈다.

수량자는 무엇인가가 몇 번 나타나야 하는지를 지정한다. 별표(*)는 "0회 이상", 더하기 기호(+)는 "1회 이상", 물음표(?)는 "0회 또는 1회"를 의미한다. 중괄호는 정밀한 제어를 가능하게 한다: {3}은 "정확히 3회", {2,5}는 "2회에서 5회 사이"를 의미한다. 전화번호를 검증할 때, 나는 [0-9]{10}을 사용하여 꼭 10자리 숫자가 되도록 한다.

앵커는 위치를 지정한다. 캐럿(^)은 줄의 시작과 일치하고, 달러 기호($)는 끝과 일치한다. 이러한 것들은 검증에 매우 중요하다. 패턴 ^[0-9]+$는 시작부터 끝까지 숫자만 포함된 문자열과 일치한다—문자도, 공백도, 다른 것도 없다. 앵커가 없으면 [0-9]+는 "abc123xyz"에서 숫자와 일치하게 되어, 아마도 당신이 원하는 것이 아닐 것이다.

특수 문자는 단축키를 제공한다. 점(.)은 줄 바꿈을 제외한 모든 문자와 일치한다. \d는 모든 숫자와 일치한다(즉, [0-9]와 같다). \w는 모든 단어 문자(문자, 숫자, 밑줄)와 일치한다. \s는 모든 공백(공백, 탭, 줄 바꿈)과 일치한다. 이러한 단축키는 패턴을 더 읽기 쉽게 하고 작성 속도를 높여준다. [0-9][0-9][0-9] 대신 \d{3}을 쓴다.

첫 번째 실용적 패턴: 이메일 검증

지금 유용한 것을 만들어보자. 이메일 검증은 가장 일반적인 정규 표현식 작업 중 하나이며, 구성 요소가 결합되는 방식을 완벽하게 보여준다. 나는 간단한 연락처 양식에서부터 기업 아이덴티티 관리 시스템까지 23가지 프로젝트를 위해 이메일 검증기를 작성했다.

"정규 표현식을 배우는 데 투자한 매시간은 경력 전체에 걸쳐 10시간을 절약해 준다. 나는 수천 시간을 회복했으며, 이는 수동 데이터 정리 및 검증에 소요될 시간이었을 것이다."

95%의 경우에 작동하는 기본 이메일 패턴이 있다: ^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

이 패턴을 부분적으로 분석해보겠다. 캐럿(^)은 시작에 고정된다—우리는 문자열 전체를 검증하고 싶지, 그 안에 있는 이메일을 찾고 싶은 것이 아니다. 그 다음에 [a-zA-Z0-9._%+-]+은 @ 기호 이전의 사용자 이름 부분과 일치한다. 이 문자 클래스는 문자, 숫자 및 점과 밑줄과 같은 일반적인 특수 문자를 허용한다. 더하기 기호(+)는 "하나 이상"을 의미한다—유효한 사용자 이름에 대해 최소한 하나의 문자가 필요하다.

@ 기호는 리터럴이다—정확히 한 번 나타나야 한다. 그 이후에 [a-zA-Z0-9.-]+은 도메인 이름과 일치하며, 문자, 숫자, 점 및 하이픈을 허용한다. 백슬래시 점(\.)은 중요하다—백슬래시 없이 점은 모든 문자와 일치할 것이다. 우리는 이를 이스케이프하여 리터럴 마침표와 일치시켜야 한다.

마지막으로, [a-zA-Z]{2,}는 최상위 도메인(예: "com" 또는 "org")과 일치한다. {2,}라는 수량자는 "최소 2개의 문자"를 의미한다—이는 대부분의 TLD와 일치시키고 명백한 오타를 거부한다. 달러 기호($)는 끝에 고정되어 최상위 도메인 이후에 아무것도 오지 않도록 보장한다.

이 패턴은 완벽한가? 아니다. 공식 이메일 사양(RFC 5322)은 인용된 문자열과 IP 주소와 같은 엣지 케이스를 허용하는 매우 복잡하다. 하지만 15년의 생산 사용 기간 동안 이 패턴은 5000만 개 이상의 이메일 주소를 검증했으며, 잘못된 검증률은 낮았다.