<ef><bc>をご存知のかたいらっしゃいますか？(特殊文字?)

Question

正規表現で特定の文字列を抜き出したいのですが、 <ef> や <bc> といった特殊文字が末尾についてしまいます。

環境

• Unix
• Unicode
• Perl
• vim

正規表現で以下の文字列に対して特定の文字列を抜き出したいです。

1. ほげほげ(11-111) - ほげほげ   => ほげほげ(11-111)
2. ほげほげ（11-111） - ほげほげ => ほげほげ（11-111）

1.は(が半角2.は(が全角です。
1.の場合は問題無いですが、2の場合は問題が発生します。

$text = 'ほげほげ（11-111） - ほげほげ';

if ( $text =~ /.*[\(（]\d+-\d+[\)）]/ ) {
    print $&;
}

# 出力結果
ほげほげ（11-111<ef>

# ]の後ろに.を追加
if ( $text =~ /.*[\(（]\d+-\d+[\)）]./ ) {
    print $&;
}

# 出力結果
ほげほげ（11-111<ef><bc>

# ]の後ろに..を追加
if ( $text =~ /.*[\(（]\d+-\d+[\)）]../ ) {
    print $&;
}

# 出力結果
ほげほげ（11-111）

[] で(が半角と(が全角に対応していますが、 [] を外すと期待通りの結果になります。

if ( $text =~ /.*（\d+-\d+）/ ) {
    print $&;
}

# 出力結果
ほげほげ（11-111）

ググったのですが、 <ef> や <bc> が何者であるのかよく分からずまた回避方法ご存知のかたいらっしゃいますか？

Answer 1

先頭に、

use utf8;
use encoding ("utf-8");

を入れてみてください。

<ef><bc>は、全角括弧をutf-8で表現したときの第一バイト、第二バイトですね。
[(（]は、utf-8の設定がないと、「"(" または "\xef" または "\xbc" または "\x88"」 にマッチします。

Comments

[退会済みユーザー]

`use` を完全に忘れておりました。
ありがとうございます！解決しました。

Answer 2

PerlがUTF-8を正しく処理できない状態になっているために、後ろの角括弧が「)もしくは）の1バイト目～3バイト目のどれか」となっていて、1バイト目がヒットしている状態です。<ef><bc>はUTF-8で書いた全角閉じカッコの2バイト目・3バイト目です。

Perlは詳しくわからないのですが、useディレクティブなどで正しくエンコードを指定しましょう。

Comments

[退会済みユーザー]

use utf8忘れでした。
とても勉強になりました！ありがとうございます！