ＳＪＩＳに関する少々複雑な問題

質問

Perl で、下記のようなプログラムを組みました。

　$original =~ s/\x83[\x80-\x96]/$Tbl{$&}/eg;

　このとき連想配列のキーには、"\x83\x80" ～ "\x83\x96" に該当するＳＪＩＳの文字が入っています。
　つまり、この範囲の全角文字を、別の文字に変換する正規表現です。

　ところが(^_^;
　このソースだと問題があって、"麻雀" という文字をこの正規表現にかけると、おかしくなります。
　"麻雀" の文字コード "\x96\x83""\x90\x9d" のうち、「麻のテイルと雀のヘッド」の２文字がこの範囲チェックに引っかかってしまい、結果、本来は変換されてほしくない文字である "麻雀" は、"夢・"（"\x96\xb2\x9d"） という変な文字に変換されてしまうんです。

　"\x83\x90" という全角文字が "\xb2" という半角文字に置き換わる構造になっているからです。

　前方から１文字ずつ見ていけばいいんですが、動作速度のカラミもあって、正規表現の使用はやめたくありません。
　どうにか、正規表現だけでこの問題を回避する方法はないでしょうか。

回答No.2

leaz024 · ベストアンサー

この手のパターンは、EUCに変換しただけではうまく行かない場合があります。
詳しくはこちら
http://www.din.or.jp/~ohzaki/perl.htm#JP_Match

このページでEUCの場合の対処方法が書かれていますが、同様の方法でShiftJISでも対処可能です。

my $re_sjis = qr/(?:[\x81-\x9F\xE0-\xFC][\x40-\x7E\x80-\xFC]|[\x00-\x7F\xA1-\xDF])/;

$original =~ s/\G($re_sjis*?)(\x83[\x80-\x96])/$1$Tbl{$2}/g;

要するに、「前方から１文字ずつ見ていけばいいんですが」を正規表現で書けばいいということです。
ちなみに REPLACEMENT にコードがない場合、オプションの e は不要です。

参考URL：

http://www.din.or.jp/~ohzaki/perl.htm#JP_Match

お礼

ありがとうございます。

　正規表現にももう慣れたつもりでしたが、まだまだ俺の知らない記述法があるもんですね(^_^;
　研究してみます。

　それと、e がついてたのは馬鹿バグでした(^^;゜。

回答No.1

Dpop

一旦、EUCに変換してから、コンバートしてはどうでしょうか?

%Tbl の内容が分からないので、単純にできるのかどうかは定かでは無いのでずか、SJISの文字区切りの問題が発生するのであれば、その部分だけEUCで処理する。ってのが定番な様な気がします。

お礼

ありがとうございます。

　そういえば別のところでもそれやってたよーな……。
　試してみますね。