（C#）1バイトの正規表現

質問

下記のような正規表現による置換をほどこしました。

Buffer=Regex.Replace(Buffer,"^[\x00-\xff]{100}","",RegexOptions.Singleline);

文字列の先頭の100バイトを削除する正規表現ですが、うまく動作しません。
どうも文字コードに問題があるようなのですが、原因のわかる方いらっしゃいますか？

回答No.5

oldroot2005

問題点、理解できました。
　.NET では、１文字==２バイトですから、１バイトにマッチする正規表現というのはありえません。
　また、バイナリデータを string に読み込むと、指定した encoding によっては変換されるため、ファイル中で 100 バイトだったデータが、string で 100 文字になるとは限りません。したがって、Regex.Replace や Substring でバイナリデータの部分を捨てることもできません。
　結局のところ、いったん string に読み込んでしまったら、どうにもならない、ということです。ファイルから読み込む時点で、バイナリデータの部分をスキップするのが妥当な方法でしょう。以下は例です。

using System;
using System.IO;
using System.Text;
using System.Text.RegularExpressions;

class ReadData {
static void Main() {
char [] buf;
FileStream fs = new FileStream("data.dat", FileMode.Open);
Encoding enc = Encoding.GetEncoding("shift-jis");
BinaryReader br = new BinaryReader(fs, enc);

br.BaseStream.Seek(100, SeekOrigin.Begin); // 100 バイトスキップ
buf = br.ReadChars((int)(br.BaseStream.Length-br.BaseStream.Position));
br.Close();
string str = new string(buf); // string に変換する必要があれば
Console.WriteLine(str);
}
}

お礼

確かにできそうにありませんね。
おとなしくバイト配列に読み込んで処理することにします。

回答No.4

oldroot2005

まず根本的な話なのですが、「先頭の100バイト」とはどのような意味でしょうか。.NET では文字コードは UNICODE ですから、とりあえずサロゲートペアを度外視すれば、１文字==２バイトです。したがって、馬鹿正直に解釈すれば、「先頭の100バイト」は「先頭の50文字」という意味になります。もしそうなら、

Regex.Replace(Buffer,"^[\u0000-\uffff]{50}","",RegexOptions.Singleline)

あるいは、単純に

Regex.Replace(Buffer,"^.{50}","",RegexOptions.Singleline)

となります。しかし、わざわざ Regex を使わなくても、

Buffer.Substring(50)

で目的は達せられます。

　もし、Buffer の中身が Shift-JIS コードだと考え、いわゆる半角文字==1バイト、いわゆる全角文字==2バイトとして、「先頭100バイト」と言っておられるのなら、No.1 さんの方法で Shift-JIS に変換しなければなりません（Encoding に Shift-JIS が指定できるとしての話ですが）。
　その場合、100バイト目に2バイト文字の1バイト目が来てしまったときの処理をしなければならないので、単純には行かないと思います。

補足

馬鹿正直に100バイトです。
説明し忘れましたが、バイナリファイル「っぽい」ファイルを開いていまして、Shift-jisの文字列の前に、正体不明のバイナリ値が100バイトあるのです。
というわけで、提示いただいた正規表現は使えません。
というより、正規表現では無理なのかな？

回答No.3

BLUEPIXY

"^[\x00-\xff]{100}"
は、マルチバイト文字列にはマッチしないようです。
＃１さんのようにすればいいと思います。

回答No.2

SpiralGalaxy

C#はやったことないんですが Javaだとこれでいきます。

String kotae = buffer.replaceFirst("^.{100}", "");

Javaは全部ユニコード操作なので１バイト文字、２バイト文字での操作の違いというのは無く、Ｃ＃でその辺りが問題になるのなら、駄目かもしれません。

お礼

C#もUnicodeらしいのですが、何だかよくわかりませんね。

回答No.1

osamuy

本当に100バイトずつ削除したいなら、いったんGetByes()で、バイト配列に変換してから、操作してみては。

参考URL：

http://www.microsoft.com/japan/msdn/library/ja/cpref/html/frlrfsystemtextencodingclassgetbytestopic.asp

お礼

うーん　それしかないのかな…。
できれば正規表現で何とかしたいのですが…。