マルチバイト文字列の部分取得方法は？

質問

EUCコードでスクリプトを書いています。

substr() で部分文字列を取得すると、2バイト文字がきれいに丸まりません。

$s = "12月23日はABCの誕生日";
print substr($s, 0, 14);

"12月23日はABC"
または
"12月23日はABCの"
を取得したい時は、どうすればよいのでしょうか？

回答No.6

BLUEPIXY · ベストアンサー

use encoding 'euc-jp';

$s = "12月23日はABCの誕生日";
print my_substr($s, 0, 14);

sub my_substr($$$){
/* my_substr は、部分文字列を指定したバイト数幅で取り出す
** $str は、全角半角混在の文字列
** $start は、取り出す"文字"位置
** $len は、取り出す数(文字数でなくてバイト数)
** 取り出すバイト数を越えない(サンプルの'の'は含まない)
*/
my ($str, $start, $len) = @_;
my $work="";
my $count=0;
my $i;
my $strlen=length $str;
for($i=$start;$i<$strlen;$i++){
my $c = substr($str,$i,1);
$count += ord($c) < 256 ? 1 : 2 ;
last if $count > $len;
$work .= $c;
}
return $work;
}

お礼

さすが BLUEPIXY さん！
完璧です！お見事です。
素晴らしく大成功でした！
ありがとうございました！！

回答No.5

t140

$n= 14;
$s=~/^((?:\x8E[\xA1-\xDF]|\x8F?[\xA1-\xFE][\xA1-\xFE]|[\x09-\x7E]){0,$n})/;
print $1,"\n";

＃１４文字以内にマッチなら上記のようになりますが、
＃１４文字ぴったりのときだけマッチさせるなら {$n} に書き換えてください。

補足

ありがとうございます。ダメでした。

$s = "12月23日はABCの誕生日";
foreach $i ( 3 .. 9 ) {
print "----\n\$i:$i\n";
# $s2 = my_substr($s, 0, $i);
$s2 = substr($s, 0, $i);
# $s2 =~ s/(\x8e|\x8f.|[^\x00-\x7F\x8e\x8f])$//;
# $s2 =~ s/(\x8e|\x8f.?|[^\x00-\x7F\x8e\x8f])$//;
$s2 =~ /^((?:\x8E[\xA1-\xDF]|\x8F?[\xA1-\xFE][\xA1-\xFE]|[\x09-\x7E]){0, $i})/; # $n -> $i に変えてます
print "\$s2:$s2" . "\n";
}
__END__
の実行結果

----
$i:3
$s2:12・
----
$i:4
$s2:12月
----
$i:5
$s2:12月2
----
$i:6
$s2:12月23
----
$i:7
$s2:12月23搭
----
$i:8
$s2:12月23日
----
$i:9
$s2:12月23日ｋ

回答No.4

noname#25358

＃２です。

　んー。こっちじゃ特に問題なく出てますね……。（連結しても）

　s/(\x8e|\x8f.?|[^\x00-\x7F\x8e\x8f])$//;

　↑これでどうですか？

補足

すみません。連結するしないは、私の確認ミスのようです。
色々試しすぎて混乱してしまったようです。すみませんでした。

どちらにしてもバグが表れるようです。

$s = "12月23日はABCの誕生日";

foreach $i ( 3 .. 25 ) {
print "----\n\$i:$i\n";
$s2 = substr($s, 0, $i);
# $s2 =~ s/(\x8e|\x8f.|[^\x00-\x7F\x8e\x8f])$//;
$s2 =~ s/(\x8e|\x8f.?|[^\x00-\x7F\x8e\x8f])$//;
# print "\$s2:$s2", "\n";
print "\$s2:$s2" . "\n";
}
__END__

回答No.3

bgbg

use encodingしましょう。
実行時に内部的にUTF-8に変換され、1バイト文字も2バイト文字も1文字として扱えるようになります。

use encoding 'euc-jp';
$s = "12月23日はABCの誕生日";
print substr($s, 0, 14);

結果：
12月23日はABCの誕生日

参考URL：

http://www.pure.ne.jp/~learner/program/Perl_unicode.html#encoding

回答No.2

noname#25358

Perl 5.8 未満の場合の対応法です。
　substr() で取り出した文字列に対し、下記の正規表現を実行してください。

$s = "12月23日はABCの誕生日";
$s = substr($s, 0, 14);
$s =~ s/(\x8e|\x8f.|[^\x00-\x7F\x8e\x8f])$//;
print $s;

　テストしてませんが、多分巧くいくと思います。
　ロジックはＥＵＣ専用です。

お礼

ありがとうございます。
まさに求めていたご回答です。

しかしながら、

$s = "12月23日はABCの誕生日";
$s = substr($s, 0, 4);
$s =~ s/(\x8e|\x8f.|[^\x00-\x7F\x8e\x8f])$//;
print $s, "\n"; # 正しく見える
print $s . "\n"; # 連結すると末尾がおかしくなる

丸め後の文字列の末尾に、まだ何か付いているのでしょうか？

回答No.1

fxdwg99

perl5.8以上であれば、
use encoding “euc-jp”;
を使うと、EUC文字列でもsubstrが正しく動作するそうです。

それ以下のバージョンだと、substrで取り出した文字列の末尾を
調べてEUC１バイト目なら削除する、という処理を自前で行う
必要があるでしょう。

お礼

ありがとうございます。

use encoding “euc-jp”;
できれいに取得できました。

しかし、今回は、特定の印字サイズで取得したいのです。

$s1 = "あいうえお";
$s2 = "12345かきくけこ";

4桁なら下記のように取りたい
あい
1234

のですが、use encoding では
あいうえ
1234

となってしまいます。

「文字列の末尾を調べてEUC１バイト目なら削除する」
という技を教えていただける方、いらっしゃいますでしょうか？