正規表現の文字クラス[ ]で使用できるUnicode文字プロパティについて解説します。 統一規格なので正規表現の方言に左右されないのが特徴ですが、それ自体にも癖があります。

1. Unicode
文字プロパティ
八田 昌三 (BPS)

2. 誰?
•
元ローカライズ業界
•
多言語翻訳のチェックを正規表現ツールで行ってい
た

3. •
特殊な業界知識
•
多言語ドキュメントを正規表現で同時にチェック
•
ヨーロッパ25言語、どんな言語が追加されるかわからない
•
フランス・ドイツ・イタリア・スペイン・オランダ・スウェーデン・
ノルウェー・フィンランド・ポーランド・ギリシャ・ロシア・チェコ・
スロバキア・スロベニア・ルーマニア・ブルガリア・ウクライナ・ア
ラビア・ペルシャ・etc

4. RubyWorld Conference
2013で発表しました

5. Unicode
文字プロパティって?
•
正規表現の文字クラス [ ] の中で使える
•
p{ }で囲って指定
!
•
文字プロパティ自体は Unicode Consocium の
正式な規格
•
ただし実装の進み具合はさまざま

6. 公式規格
•
http://www.unicode.org/Public/UNIDATA/
Scripts.txt

7. 記法も実装で異なる

8. POSIXのじゃだめなの?
•
POSIXの文字クラス[[なんちゃら]]は、実装によっ
て動作が異なる可能性がある
•
•
当時の業務は実装に依存できなかった
Unicode文字プロパティには規格がある

9. •
以後Ruby2.x系 (Onigumo) で説明

10. rubular.com

11. Onigumoで使える文字プロパティ
https://github.com/k-takata/Onigmo/blob/master/doc/UnicodeProps.txt

12. 漢字にマッチする
正規表現
•
伝統的な方法: [一-龠]
•
•
一部の漢字が漏れてる(まず支障はない)
文字プロパティ: [p{Han}]
•
明快、すべての漢字が網羅される

13. ひらがなにマッチする
正規表現
•
伝統的な方法: [ぁ-ん]
•
•
思い出しにくい
文字プロパティ: [p{Hiragana}]
•
明快

14. •
でも注意も必要

15. 漢数字にマッチする
正規表現
•
伝統的な方法:
•
[一二三四五六七八九十壱弐参拾百千万萬億兆〇]
!
•
文字プロパティ: さすがにない

16. カタカナにマッチする
正規表現
•
伝統的な方法: [ァ-ヴ]
!
あれ?
•
文字プロパティ: [p{Katakana}ー]

17. •
実は音引き「ー」はKatakanaに含まれていない
•
明示的に文字クラスに「ー」を追加する必要がある

18. 数字にマッチする
正規表現
•
伝統的な方法: [0-9], [0123456789]
!
•
文字プロパティ: [p{N}]または[p{Number}]
•
後者はエイリアス
•
明快、と思いきや

19. •
漢字のゼロ「〇」(マル○ではない)にだけなぜかマッ
チしてしまう
•
規格の方が中途半端

20. アルファベットにマッチする
正規表現
•
伝統的な方法: [a-zA-Z]
•
文字プロパティ: [p{L}]または[p{Alphabetic}]
•
明快、と思いきや

21. •
日本語どころかあらゆる言語の文字とマッチしてい
る
•
記号や数字とはマッチしていない

22. 実は
•
「アルファベット」という概念はそもそもABCだけではない
•
文字セットのうち、「数字でなく」「スペースでなく」「記
号でない」ものすべてを指す
•
•
「国語」が国によって指すものが違うのと似ている
だから日本語でも何語でも数字・記号以外のあらゆる文字セッ
トにマッチする
•
これはPOSIXの[[:alpha:]]でも同じ

23. という具合に
•
実装に依存せず、多言語を串刺しにする正規表現を
作成するうえでUnicode文字プロパティは便利
•
だが動作の検証は欠かせない

24. •
詳細は TecheRacho にて
•
http://techracho.bpsinc.jp/
hachi8833/2013_09_13/13433

25. •
ご清聴ありがとうございました