C#でSJIS第一水準漢字、第二水準漢字の正規表現について

Question

C#でSJISの第1水準漢字(16区～47区)、第2水準漢字(48区～84区)のみ入力を許可するロジックを作成する予定です。
正規表現で実現できるか色々と調べていますが解決に至っておりません。

ちなみに[亜-唖]を[0x889F-0x88A0]のような形で表現できれば解決できるかなと考えております。

試に ”亜唖稲萎介”を[亜-唖]で正規表現してみると亜唖介が抽出されました。
原因はSJISのコード範囲ではなくUTF-16の範囲で検索されていることがわかりました。

漢字 SJIS　UTF-16
亜　 889F　4E9C
唖　 88A0　5516
稲　 88EE　7A32
萎　 88DE　840E
介　 89EE　4ECB

良い方法、ご教示お願いできますでしょうか。

Answer 1

どうしても正規表現が使いたい場合は、EXCELなどのVBAを使う方法がありますが、すごく大変です。
こんな感じで第2水準までしか使えない文字コードを利用して簡単にやっつけちゃいましょう。

var iso2022 = Encoding.GetEncoding("iso-2022-jp");

var s1 = "吞兵衛";

var s2 = iso2022.GetString(iso2022.GetBytes(s1));

if(s1 == s2)
{
    Console.WriteLine("OK!");
}
else
{
    Console.WriteLine("だめ");
}

Comments

[Zuishin]

その手があったかと唸りました。

Answer 2

残念ながら、巨大なテーブルを作る他なさそうです。

.NET内部ではUTF-16でシステムが動いていて、そしてSJISとUnicodeの対応は規則性がないので、すべての第一水準・第二水準漢字について1つ1つ変換して値を取る以外に、有効な手段はないと思います。

Comments

[maisumakun]

多様なエンコードに対応した正規表現エンジンである鬼車をC#から呼べるようにしたもの（https://github.com/fluentCODE/onigwrap）もありますが、C#からSJISの範囲を含むような正規表現での検索を可能かは、定かではありません。

Answer 3

正規表現に拘らなければ、JIS X0208 と Unicodeの対応表を元にテーブルを作っては?

対応表は、Unicode.org に JIS0208.TXTファイルがあるので、これを元にすれば、良いのでは。

ほとんど、機械的に作れます。