PHPでの正規表現で日本語を識別時に文字化け現象

問題点：PHPの正規表現で日本語の識別時に文字化けが発生

• 以下のPHPコードの正規表現（preg_split）で日本語文字列を分割する

  $str = '午前　午後,昼;夜
  
  学習';
  
  $split_arr = preg_split('/[ 　;；，,、\n\t]+/i', ' ' . $str);
  
  var_dump($split_arr);

• 実行結果は部分的に文字化けとなりました

  array(7) {
    [0] =>
    string(0) ""
    [1] =>
    string(6) "午前"
    [2] =>
    string(5) "午�"
    [3] =>
    string(2) "�"
    [4] =>
  "
    [5] =>
  "
    [6] =>
    string(6) "学習"
  }

  

PHPの正規表示パターンに明確な文字コード指定が必要となります

• PHPでの正規表現パターンに文字コード（例：UTF-8）の指定が必要（例：UTFの場合’u’で指定）

  $str = '午前　午後,昼;夜
  
  学習';
  
  $split_arr = preg_split('/[ 　;；，,、\r\n\t]+/ui', ' ' . $str);
  
  var_dump($split_arr);

  実行結果：
   

  array(6) {
    [0] =>
    string(0) ""
    [1] =>
    string(6) "午前"
    [2] =>
    string(6) "午後"
    [3] =>
    string(3) "昼"
    [4] =>
    string(3) "夜"
    [5] =>
    string(6) "学習"
  }
  

   

やりたいこと：PHPの正規表現で特定なキーワードが含まないimgタグのすべてを取得

• HTML文字列は以下のよう

  <a href="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG"><img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px"></a>
  <a href="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG"><img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px"></a>
  <a href="/sites/pine/files/field/image/drupal-display-suite-code-field-list.PNG"><img alt="" class="lightbox-show" src="/sites/pine/files/field/image/drupal-display-suite-code-field-list.PNG" style="height:216px; width:640px"></a>
  

• 抽出したいimgタグ：　文字列”lightbox-show”が含まないすべてimgタグの内容

  • <img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px">
    <img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px">

• 抽出したくないimgタグ： 文字列”lightbox-show”が含まれるimgタグの内容

  • <img alt="" class="lightbox-show" src="/sites/pine/files/field/image/drupal-display-suite-code-field-list.PNG" style="height:216px; width:640px">

imgタグのみを割り出す最短一致正規表現:"/<img(.+?)>/i"

• imgタグのみを割り出す正規表現：　"/<img(.+?)>/i"

  $pattern="/<img(.+?)>/i";
  preg_match_all( $pattern, $html_str, $matches ) ;
  var_dump($matches);
  
  /*   実行結果  */
  array(2) {
    [0] =>
    array(3) {
      [0] =>
      string(132) "<img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px">"
      [1] =>
      string(142) "<img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px">"
      [2] =>
      string(159) "<img alt="" class="lightbox-show" src="/sites/pine/files/field/image/drupal-display-suite-code-field-list.PNG" style="height:216px; width:640px">"
    }
    [1] =>
    array(3) {
      [0] =>
      string(127) " alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px""
      [1] =>
      string(137) " alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px""
      [2] =>
      string(154) " alt="" class="lightbox-show" src="/sites/pine/files/field/image/drupal-display-suite-code-field-list.PNG" style="height:216px; width:640px""
    }
  }
  

   

• 注意点：最短一致の正規表現 (.+?) の利用
  • img終了タグ後にいろいろな別のタグがあるため、imgタグを限定にする場合、開始タグから終了まで（<img … >）の部分を最短一致表示の使用
  • ちなみに、最長マーチ表現は (.*) のようです

特定のキーワード（lighbox-show）が含まないimgタグを割り出す正規表現："/<img(?!.*\"lighbox-show\")(.+?)>/i"

• 複数のimgタグに特定なキーワード（lightbox-show）が含まない表現は："/<img(?!.*\"lighbox-show\")(.+?)>/i"

  $pattern="/<img(?!.*\"lightbox-show\")(.+?)>/i";
  preg_match_all( $pattern, $html_str, $matches ) ;
  var_dump($matches);
  
  /*  実行結果  */
  array(2) {
    [0] =>
    array(2) {
      [0] =>
      string(132) "<img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px">"
      [1] =>
      string(142) "<img alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px">"
    }
    [1] =>
    array(2) {
      [0] =>
      string(127) " alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field.PNG" style="height:153px; width:640px""
      [1] =>
      string(137) " alt="" src="/sites/pine/files/field/image/drupal-display-suite-code-field-use-token.PNG" style="height:390px; width:540px""
    }
  }

  

• 注意点：含まない表現 ”(?!.*キーワード)” の利用

やりたいこと：配列にある特定なキーを割り出して値を取得します

• 以下の配列を例とします

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );

• "kei_3"から"key_5"までの値を取得したいです

簡単な方法：ループ（例：foreach文）で配列キーに合うものをすべて取得します

• シンプルな方法ではループ（例：foreach）で"kei_3"、"kei_4"、"kei_5"に合う値を取得します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $out_arr = array();
  foreach($a as $k =>$var ) {
    if( $k == "key_3" || $k  == "key_4" || $k == "key_5" ) {
    $out_arr[$k] = $var ;
  }
  

• もし、特定なキーが多い、また入力配列が多きい場合、この方法では不効率になります

正規表現で特定なキーをマッチングして、値を取得します

• PHPの関数： array_filterを利用します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $array_keys = array_keys($a);
  $matched_keys = array_filter(
      $array_keys,
      function($k){ return preg_match( "/key_[2-4]/u" , $k) ;}
              );
  
  foreach($matched_keys as $key){
      echo $a[$key]."\n" ;
  }
  

  

• array_filter関数の2番目の引数がコールバック関数なので、このコールバック関数に正規表現で特定なキーのマッチングを行っています

やりたいこと：PHPの正規表現で文書にある改行（\n）記号をHTMLタグ（<br>）に変換

• 環境：PHP5.6
• Windows上でテキストエディターに認識される改行記号（\n）が入っている文書
  • 文字列１\n文字列２  <-　「文字列１」と「文字列２」の間に改行記号（\n）があります
• PHPの正規表現でこの改行記号（\n）をHTMLタグ（<br>）に変換します

  $str = "文字列１\n文字列２";
  echo preg_replace( "/\\n/u","<br>", $str );
  // 結果➡  文字列１<br>文字列２

  • ここで正規表現のパターン： "/\\n/" で改行記号（\n）を認識します

問題点：文字列を シングルクォーテーション で囲んでpreg_replaceに渡すと違う結果になります

• 同じ上記の例で文字列をシングルクォーテーションで囲みます

  $str = '文字列１\n文字列２';
  echo preg_replace( "/\\n/u","<br>", $str );
  // 結果➡  文字列１\n文字列２

  • 結果は何も変わってないです（変換されませんでした）

文字列を シングルクォーテーション で囲んでいる場合に正規表現のパターンは四つのバックスラッシュ（"/\\\\n/"）が必要となります

• 上記例でうまく動作させるには正規表現のパタンに四つのバックスラッシュ（"/\\\\n/"）が必要となります

  $str = '文字列１\n文字列２';
  echo preg_replace( "/\\\\n/u","<br>", $str );
  // 結果➡  文字列１<br>文字列２
  

• ちなみに、シングルクォーテーション/ダブルクォーテーションで囲んでいた文字列とそれぞくのマッチパタンを以下のよう
  

  $str = "文字列１\n文字列２";
  echo preg_replace( "/\\n/u","<br>", $str );
  // 結果➡  文字列１<br>文字列２
  $str = "文字列１\n文字列２";
  echo preg_replace( "/\\\\n/u","<br>", $str );
  // 結果➡  文字列１
  //        文字列２
  
  $str = '文字列１\n文字列２';
  echo preg_replace( "/\\n/u","<br>", $str );
  // 結果➡  文字列１\n文字列２
  
  $str = '文字列１\n文字列２';
  echo preg_replace( "/\\\\n/u","<br>", $str );
  // 結果➡  文字列１<br>文字列２
  

PHPで文字列を扱うときにシングルクォーテーション/ダブルクォーテーションの統一が必要となります

• シングルクォーテーション/ダブルクォーテーションを手軽に使うことができますが、気を付けないと大きな問題になります

やりたいこと：配列にある特定なキーを割り出して値を取得します

• 以下の配列を例とします

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );

• "kei_3"から"key_5"までの値を取得したいです

簡単な方法：ループ（例：foreach文）で配列キーに合うものをすべて取得します

• シンプルな方法ではループ（例：foreach）で"kei_3"、"kei_4"、"kei_5"に合う値を取得します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $out_arr = array();
  foreach($a as $k =>$var ) {
    if( $k == "key_3" || $k  == "key_4" || $k == "key_5" ) {
    $out_arr[$k] = $var ;
  }
  

• もし、特定なキーが多い、また入力配列が多きい場合、この方法では不効率になります

正規表現で特定なキーをマッチングして、値を取得します

• PHPの関数： array_filterを利用します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $array_keys = array_keys($a);
  $matched_keys = array_filter(
      $array_keys,
      function($k){ return preg_match( "/key_[2-4]/u" , $k) ;}
              );
  
  foreach($matched_keys as $key){
      echo $a[$key]."\n" ;
  }
  

  

• array_filter関数の2番目の引数がコールバック関数なので、このコールバック関数に正規表現で特定なキーのマッチングを行っています

やりたいこと：配列にある特定なキーを割り出して値を取得します

• 以下の配列を例とします

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );

• "kei_3"から"key_5"までの値を取得したいです

簡単な方法：ループ（例：foreach文）で配列キーに合うものをすべて取得します

• シンプルな方法ではループ（例：foreach）で"kei_3"、"kei_4"、"kei_5"に合う値を取得します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $out_arr = array();
  foreach($a as $k =>$var ) {
    if( $k == "key_3" || $k  == "key_4" || $k == "key_5" ) {
    $out_arr[$k] = $var ;
  }
  

• もし、特定なキーが多い、また入力配列が多きい場合、この方法では不効率になります

正規表現で特定なキーをマッチングして、値を取得します

• PHPの関数： array_filterを利用します

  $a = array(
      "key_0"   => "val 0",
      "key_1"   => "val one",
      "key_2"   => "val two",
      "key_3"   => "val three",
      "key_4"   => "val four",
      "key_5"   => "val five",
      "key_6"   => "val six"
  );
  
  $array_keys = array_keys($a);
  $matched_keys = array_filter(
      $array_keys,
      function($k){ return preg_match( "/key_[2-4]/u" , $k) ;}
              );
  
  foreach($matched_keys as $key){
      echo $a[$key]."\n" ;
  }
  

  

• array_filter関数の2番目の引数がコールバック関数なので、このコールバック関数に正規表現で特定なキーのマッチングを行っています