複雑な条件の正規表現でハマっています。

Question

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。

Comments

[m.ts10806]

「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]

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]

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…

Answer 1

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。

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

Comments

[maisumakun]

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]

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]

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…

Answer 2

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。

Comments

[harajuku]

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]

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]

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。

Answer 3

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。

Comments

[harajuku]

分かりやすくご指摘いただきありがとうございます。とても助かります。
ご指摘の箇所をもう一度見直してみたいと思います。

Answer 4

確認浅かったようです。失礼しました。

^って現在の箇所につけた場合、「否定」だったと思います。

これをとったらうまくいきそうに思いますが、いかがでしょうか。

Comments

[harajuku]

閲覧とご回答ありがとうございます。承知いたしました。