PHPで文字列にSJIS有効範囲外の文字が入っていないかのチェック方法

Question

前提

• PHP 7.1
• cakePHP3
• 文字コード：UTF8

実現したいこと

入力文字にSJISの有効範囲外の文字が使用されていないかをチェックしようとしています。
システム自体はUTF8なのですが、入力値をSJISのCSVに出力するため入力時にバリデーションをかけようとしていますが上手く検知できません。

発生している問題・エラーメッセージ

入力値を正規表現を使ってバリデーションしたいと考えております。
mb_ereg を使えばチェック可能かと思っていたのですが上手く判定してくれません。

該当のソースコード

        // sjis範囲外文字
        $check = '﨑' 

        $pattern = "[^"
            . "(\x{0a})|"
            . "(\x{20}-\x{7E})|"
            . "(\x{8140}-\x{819E})|"
            . "(\x{819F}-\x{81AC})|"
            . "(\x{81B8}-\x{81BF})|"
            . "(\x{81C8}-\x{81CE})|"
            . "(\x{81DA}-\x{81E8})|"
            . "(\x{81F0}-\x{81F7})|"
            . "(\x{81FC})|"
            . "(\x{839F}-\x{83B6})|"
            . "(\x{83BF}-\x{83D6})|"
            . "(\x{8440}-\x{8460})|"
            . "(\x{8470}-\x{8491})|"
            . "(\x{849F}-\x{84BE})|"
            . "(\x{824F}-\x{8258})|"
            . "(\x{8260}-\x{8279})|"
            . "(\x{8281}-\x{829A})|"
            . "(\x{829F}-\x{82F1})|"
            . "(\x{8340}-\x{8396})|"
            . "(\x{889F}-\x{989E})|"
            . "(\x{989F}-\x{9FFC})|"
            . "(\x{E040}-\x{EAA4})"
            . "]"
        ;
        $enc_str = mb_convert_encoding($check, 'sjis-win');
        mb_regex_encoding('sjis-win');

        if (mb_ereg($pattern, $enc_str)) {
            // ここに入って欲しいが入ってくれない 
        }

Answer 1

Shift_JISに変換した結果をさらUTF-8に変換して、元の文字列と一致しているかで確認する方法はどうでしょうか?

Comments

[nata-de-Gollira]

すんごい、正規表現を使う事に囚われており目からウロコでした！
シンプルイズベストな回答ありがとうございました。

Answer 2

Rubyだとエンコーディング変換の時に変換できない文字があったらその文字を引数にコールバックのメソッドを呼び出せるのですが、他の言語だとそこまで細かい対応はできないですね。

質問文でSJISと書きつつコードに書いてあるのはsjis-winですが、どちらの範囲が対象なのでしょう？
﨑を駄目としたいようなので、とりあえずSJISの範囲として書きます(JIS-X0208の範囲)。

mb_convert_encoding($check,"sjis")で、SJISに無い文字は?に変換されるようなので、
変換後の文字列に?があったら元の文字列の該当位置を調べて?でなかったらSJISにない文字だと判断できそうな気がします。

どの文字がおかしいまで知る必要ながなくて、全体としてOKかNGかだけであれば、?の個数を比較すればいいかと。

Comments

[otn]

あ、全体としてOKかNGであれば、ockeghemさんの回答が明快ですね。
よくやる方法なのに、どの文字かを調べる頭になってたので、出てきませんでした。

[otn]

なお、正規表現部分は、$pattern = "/[^"
. "\x0a"
. "\x20-\x7E"
. "\x81\x40-\x81\x9E"
～～中略～～
"]/";
のように書くのが正しいと思いますが、PHPだとUTF-8でないと範囲（ [あ-お] とか）は駄目なようです。
SJISにすると mb_ereg("い", "/[あ-お]/") が偽になる。

[nata-de-Gollira]

回答ありがとうございました！
正規表現の書き方情報も助かりました！今後に役立てます！

Answer 3

SJISではなくSJIS-WINに変換すればよいのでは？
HTTPヘッダも

header('Content-Type: text/html;charset=Windows-31J');

としてください

Comments

[yambejp]

ん・・・タツサキやハシゴダカあたりはsjis-winとheader設定でいけるんですけどね・・・

header('Content-Type: text/html;charset=Windows-31J');
$check="崎﨑高髙"; // utf8
$enc_str = mb_convert_encoding($check, 'sjis-win');
print $enc_str;

※utf8はBOMなしで保存すること