[php] Shift-JIS - 正規表現は例 > 팁앤테크

正規表現は例えば、次のようにします。もちろんこれはShift-JISのみに有効です。

    $digit = '(?:[0-9]|\x82[\x4F-\x58])'; # 数字（半角と全角）
    $upper = '(?:[A-Z]|\x82[\x60-\x79])'; # アルファベット大文字（半角と全角）
    $lower = '(?:[a-z]|\x82[\x81-\x9A])'; # アルファベット小文字（半角と全角）
    $space = '(?:[\ \n\r\t\f]|\x81\x40)'; # 空白文字（半角と全角）
    $ascii = '[\x00-\x7F]';               # ASCII文字

    # 全角平仮名（濁点・半濁点・踊り字を含む）
    $hiraZ = '(?:\x82[\x9F-\xF1]|\x81[\x4A\x4B\x54\x55])'; 

    # 全角片仮名（長音符・濁点・半濁点・踊り字を含む）
    $kataZ = '(?:\x83[\x40-\x7E\x80-\x96]|\x81[\x5B\x4A\x4B\x52\x53])';

    # 半角片仮名（半角長音符・句読点を含む）
    $kataH = '[\xA1-\xDF]';

    $onebyte = '[\x00-\x7F\xA1-\xDF]';
    $twobyte = '(?:[\x81-\x9F\xE0-\xFC][\x40-\x7E\x80-\xFC])'; 
    $char    = '(?:[\x00-\x7F\xA1-\xDF]|[\x81-\x9F\xE0-\xFC][\x40-\x7E\x80-\xFC])';

    # JIS文字
    $all_JIS = '(?:[\x00-\x7f\xa1-\xdf]|'.
        . '\x81[\x40-\x7e\x80-\xac\xb8-\xbf\xc8-\xce\xda-\xe8\xf0-\xf7\xfc]|'
        . '\x82[\x4f-\x58\x60-\x79\x81-\x9a\x9f-\xf1]|'
        . '\x83[\x40-\x7e\x80-\x96\x9f-\xb6\xbf-\xd6]|'
        . '\x84[\x40-\x60\x70-\x7e\x80-\x91\x9f-\xbe]|'
        . '\x88[\x9f-\xfc]|\x98[\x40-\x72\x9f-\xfc]|\xea[\x40-\x7e\x80-\xa4]|'
        . '[\x89-\x97\x99-\x9f\xe0-\xe9][\x40-\x7e\x80-\xfc])';

    # ベンダ定義文字

    # NEC特殊文字
    $NEC_special = '(?:\x87[\x40-\x5d\x5f-\x75\x7e\x80-\x9c])';

    # NEC選定IBM拡張文字
    $NEC_IBM_ext = '(?:\xed[\x40-\x7e\x80-\xfc]|\xee[\x40-\x7e\x80-\xec\xef-\xfc])';

    # IBM拡張文字
    $IBM_ext     = '(?:[\xfa-\xfb][\x40-\x7e\x80-\xfc]|\xfc[\x40-\x4b])';

Shift-JISでマッチを行う時には、２つの問題があります。

1. 第二バイトがASCIIの領域に入る文字があるので、ASCIIを含むパターンにマッチする可能性がある。
2. ある文字の第二バイトと次の文字の第一バイトが１文字であるかのようにマッチしてしまう。

後者はEUC-JPでも起こりうる問題です（UTF-8なら起こらないが、今はそれが問題なのではない）。しかし前者はEUC-JPでは起こらない が、Shift-JISでは起こりうる問題です。これらを防ぐ方法は、結局同じことですが、正規表現の中に、常に先頭を含ませることです。