なぜPHPのpreg_match関数はutf-8対応にしなければならないのか

Question

なぜPHPのpreg_match関数はutf-8対応にしなければならないのでしょうか。

下記のひらがなを含むという正規表現に漢字が許可されてしまいます。

if (preg_match('/[あ-ん]/, '関数') {
    return false;
}

//false

そこで、utf-8にすると漢字は許可されないです。

if (preg_match('/[あ-ん]/u, '関数') {
    return false;
}

なぜでしょうか。

Answer 1

PCREの正規表現でUTF-8モードを使わない場合、UTF-8の文字は1バイトごとに認識されます。UTF-8で「あ」は0xe3 0x81 0x82、「ん」は0xe3 0x82 0x93なので、[あ-ん]は、「0xe3、0x81、0x82～0xe3まで、0x82、0x93のうちどれかのバイト」という意味になってしまいます。漢字でもこれらのバイトを使うことはよくあるので、ほぼヒットしてしまいます。

なお、[あ-ん]だとぁがはみ出してしまいます。とりあえずは[ぁ-ん]とすればある程度はカバーできますが、別な手段をとったほうがいいかもしれません。

Comments

[yukiriru]

ありがとうございます！勉強になります！！！

Answer 2

経緯だけすこし、

もともと、PHPでは、日本語の検索がつかえませんでした、
しかし UTF8が使えるようになって、ようやく対応できました。

それまで、PHP4？の時代までは、日本人がPHPの関数を作成していてそれを、拡張関数として
使えていました。

Comments

[yukiriru]

なるほど。勉強しました！