複雑な条件の正規表現でハマっています。

前提・実現したいこと

ここに質問の内容を詳しく書いてください。
PHPで会員登録フォームを作っており、現在バリデーションを実装中です。
氏名入力欄に、以下の条件で制限をかけたいと思っています。

◆許可
ひらがな
全角カタカナ
CJK統合漢字
"々"

◆不許可
それ以外

発生している問題・エラーメッセージ

正規表現で以下の指定をし、preg_matchを実行してみました。
上記の許可項目のいずれかのみで構成された文字列を想定したつもりです。

$pattern = '/^(((\xE4\xB8[\x80-\xFF])|\A(\xE5)|\A(\xE6)|\A(\xE7)|\A(\xE8)|(\xE9\xBF[\x00-\xAF]))|((\xe3\x81[\x81-\xff])|(\xe3\x82[\x00-\x9f])|(\xe3\x80\x85)))+$/';

$name = '田中たろう';

print_r(preg_match($pattern, $name));

＞0

試したこと

ひらがな・カタカナ・CJK統合漢字に切り分けてそれぞれ実行してみたところ、CJK統合漢字の箇所に問題がありそうです。
Regexperを利用して画像化してみましたのが以下になります。

m.ts10806

2019/02/27 05:42

「許可するもの」1つ1つ試した場合は通っているのでしょうか。

m.ts10806

2019/02/27 05:43

あ、あと'田中たろう'のあとに;が抜けているので修正願います。

harajuku

2019/02/27 06:12

ご指摘ありがとうございます。 1つ1つに分けたところ、CJK統合漢字が正常に働かず、そちらが怪しいかと睨んでいたところです…

行動規範の内容に同意します

回答4件

自分でコードポイント単位の処理をしなくても、PHP側でUnicode文字列プロパティが用意してあります。

なお、カタカナについては半角とヒットするのを避けるために文字範囲を使っています。

php
1$pattern= '/^(?:\p{Han}|\p{Hiragana}|[ァ-ヶ]|々)*$/u';

投稿2019/02/27 05:45

maisumakun

総合スコア146018

maisumakun

2019/02/27 05:48

正規表現を「/.../u」の形にすれば、文字コードUTF-8で、1文字がUnicode1文字と対応するようになります。uなしで自力でやるのは手間だし誤爆の危険も高まります。

maisumakun

2019/02/27 05:55

いま気づきましたが、1つ問題がありまして、\p{Han}には、CJK統合漢字以外の漢字もヒットしてしまいます。

harajuku

2019/02/27 06:07

閲覧とご回答ありがとうございます。ご回答いただいた記述ですと大分スマートですね！ CJK統合漢字の扱いが難しそうですね…

行動規範の内容に同意します

質問者さんの言う「CJK統合漢字」というのは以下の U+4E00 ～ U+9FFF の文字で良いのでしょうか？

違うような気もしますが、それで良ければ、U+3040 ～ U+30FF が「ひらがな」と「全角カタカナ」、U+4E00 ～ U+9FFF が「CJK統合漢字」ということで正規表現パターンは、

^([\u3040-\u30FF]|[\u4E00-\u9FFF]|々)+$

でいかがでしょう？　

"々" は U+3005 で「ひらがな」「全角カタカナ」「CJK統合漢字」いずれにも含まれないと理解しています。

投稿2019/02/27 06:21

退会済みユーザー

総合スコア0

harajuku

2019/02/27 06:51

閲覧とご回答ありがとうございます。 CJK統合漢字の範囲につきましてはおっしゃる通りです。ご提示いただいた記述そのままですと正常に認識して貰えない様ですので、引き続き調べてみます。

退会済みユーザー

2019/02/27 07:17

PHP では [\u4E00-\u9FFF] という書き方ではなくて、以下の記事を見ると、 https://tama-san.com/?p=196 [\x{4E00}-\x{9FFF}] というようになるのでしょうか？　無知ですみません。

harajuku

2019/02/27 07:31

とんでもないです。そちらの記事も参考に引き続き調査を進めて参ります。ありがとうございます。

行動規範の内容に同意します

バイト単位で見るべきではないと思いますが、それはそうと問題点は以下のあたりかなと思います。
① 2バイトめがB8のみになっているが3バイトめのようにあり得る範囲を示すべき所
② 間違っているとまでは言えないが、不正なバイト列も受け付けている
③ \Aは「文字列の先頭」の意味だと思うが、ここにあると複数文字を取れない
④ E4やE9と同様に3バイトのパターンを示すべきだが1バイトだけとっている
⑤ ①と同様
⑥ 00からなのは不正なバイト列も受け付けるし、AFまでなのは途中で切れている
それと、CJK統合漢字はF9xxあたりの互換漢字ゾーンにもいくつかありますので厳密にいくならそれらも入れるべきです。