今日までを正規表現でマッチさせる方法

Question

下記のソースは、今日(2016/8/4)まで且つ現実的な西暦と月日に可能な限りマッチさせたい正規表現です。
想定では、「/」「.」「-」で区切られた西暦と月日(2016/1/1や、2016.1.1など)がマッチしたらXXXX年XX月XX日に変換しようとしています。

ただ、下記のソースを見ていただけると解かりますが、$seirekiのような値を代入してもマッチしてしまいます。つまり2550年10月39日のようなありえない西暦と月日もマッチしてしまいます。
2016年8年4日以降と39日のようなありえない日にちにマッチしない正規表現は、作れますか。

また、単語境界をいれないと、2550.10-399と9を一つ多めに足しても「正しい西暦と月日を入力しよう」という画面が出てこなくなります。2555.1000.3999だと単語境界を使わなくても
「正しい西暦と月日を入力しよう」とでてくるのですが、なぜ一桁大目に足しただけだと単語境界が必要になるのでしょうか。

$seireki = "2550.10-39";//変な年、日にちでもマッチしてしまう。

if(preg_match("/\b([1-2]\d\d\d)[\/.\-]([0-1]*[0-9])[\/.\-]([0-3]*[0-9])\b/",$seireki,$data)) {
print "<p>".$data[1]."年".$data[2]."月".$data[3]."日</p>";
print "<p>全体:".$data[0]."</p>";

} else {
print "正しい西暦と月日を入力しよう";	
}

Answer 1

うるう年などdateの持つ複雑さを正規表現でパターン化するのは難しいのではないかと思います。
正規表現で取り出した「日付と思しき」文字列をifとcheckdateなどで別途判別するのが簡単かと。

###追記(2016.08.10)

2555.1000.3999だと単語境界を使わなくても「正しい西暦と月日を入力しよう」とでてくる

$seireki = "2550.1000-3999";//変な年、日にちでもマッチしてしまう。
if(preg_match("/([1-2]\d\d\d)[\/.\-]([0-1]*[0-9])[\/.\-]([0-3]*[0-9])/",$seireki,$data)) {
  echo "<p>".$data[1]."年".$data[2]."月".$data[3]."日</p>";
} else {
  echo "正しい西暦と月日を入力しよう";    
}

paizaでこのコードを試してみましたが、出力は「<p>2550年1000月39日</p>」でした。2550.10.399でも「<p>2550年10月39日</p>」です。
「*」は直前の文字の0回以上の繰り返しなので、
月のところは00009にも117にもマッチしますが、123にはマッチしません。0か1が複数あった後に0-9のどれかが来る塊って意味ですね
日の所も、0-3のどれかが複数続いた後、0-9のどれかが1文字やってくる塊って意味です。

もしかすると、「/\b([1-2]\d\d\d)/.-/.-\b/」これの方が目的に一致しているかも知れませんね。{0,1}は直前の文字が無いか1つだけ存在するって意味です。
この場合は単語境界を書くことで、12009.01.20や2009.02.299をNGにすることが出来ます。

Comments

[hirohiro]

すでにyambejpさんが詳細に記述されているので蛇足とは思いますが、質問後半部分への回答が抜けていたので追記してみました

Answer 2

• まずマッチさせる
• 日付として整合性をチェック
• 今日と比べる

<?PHP
$str = "test2016/10/10 2016/08/111 12016/08/111 2550.10-39 2016/1/1 2016.2.2 2016/08/04 2016/08/05 2016.10.23 2016.10.33 2016/13/23test";
/* 以下修正前
$pattern="/(?!=\d)((\d{4})([\.\/])(\d{1,2})(?:\\3)(\d{1,2}))(?!\d)/";
*/
$pattern="/(?<!\d)((\d{4})([\.\/])(\d{1,2})(?:\\3)(\d{1,2}))(?!\d)/";
$replacement=function($a){
  if(!checkdate($a[4],$a[5],$a[2])){ return "$a[1](不正な日付)";}
  if(date("Y-m-d") < date("Y-m-d",strtotime("{$a[2]}/{$a[4]}/{$a[5]}"))){return "$a[1](今日以降)";}
  return $a[2]."年".$a[4]."月".$a[5]."日";
};
$str=preg_replace_callback($pattern,$replacement,$str);
print $str;
?>

すみません、パターンが記載ミスしていましたので修正します

解説

$pattern="/(?<!\d)((\d{4})([./])(\d{1,2})(?:\3)(\d{1,2}))(?!\d)/";

• (?<!\d):否定後読み
• (?!\d):否定先読み

それぞれ日付データの前後に数字がないことを保証します

• 1. ((\d{4})([./])(\d{1,2})(?:\3)(\d{1,2}))を分解して
• 2)(\d{4}):年に当たる箇所は4桁の数字
• 3)([./]):日付のセパレータはピリオド「.」かスラッシュ「/」
• 4)(\d{1,2}):月は1桁または2桁の数字
• 5)(?:\3):前回出てきたのと同じセパレータ(3番めのカッコの中身)
• 6)(\d{1,2}):日には1桁または2桁の数字

あとは年と月と日のデータの組み合わせです

Comments

[aaaaaaaa]

ご回答有難うございます。
私の読解力の問題かもしれませんが、$patternの正規表現は、恐らく否定後読みを使って西暦の前に数字が無く、ドット或いはスラッシュ、数字が一回以上二回以下が二回続き、最後に否定先読みで、まだ読んでない部分に数字が無ければマッチするものだと思っております。

重ね重ね申し訳ありませんが、正規表現内のグループ化括弧にはどういった意味があるのでしょうか。

[yambejp]

解説を追記しておきました
パターンが間違っていてすみません