[PHP-dev 835]Re: FYI:mbstring+鬼車 参考実装

[Moriyoshi Koizumi]

小泉です。

# 仕事が詰まっていたもので、前回のメールから大変間があいてしまいました。
# あと、遅くなりましたが、小迫さん、情報ありがとうございました。

廣川さんご指摘の segfault を直して、さらに、さまざまなフィックスを行なった
バージョンが出来ました。今回は php4 ブランチへのパッチも用意してあります。

PHP5 ブランチ用:
http://www.voltex.jp/patches/oniguruma-patch-v5-20030803.diff.gz

PHP4 ブランチ用:
http://www.voltex.jp/patches/oniguruma-patch-v4-20030803.diff.gz

パッチの当て方は、
http://ns1.php.gr.jp/pipermail/php-dev/2003-July/000824.html
を参照してください。

[既知の問題点]

マルチバイト文字が文字クラス内で使われている時に、
失敗します。これは鬼車の非互換性のためなのでしょうか？
現在調査中です。

今のところ分かっていることは、少なくとも旧来の mbregex で
使われていた実装は文字クラス内のマルチバイト文字を
適宜処理するということです。(これが正しいか正しくないかは別として)

$KCODE="EUC-JP"
r = /([ａ-ｚ]+)/.match("ｍｚｘｆｐ");
r and print "#{r[0]}\n"

上記の、いかにも手習いが書いたコードを、鬼車が使われていない ruby で
実行すると、

koizumi ＠ roadrunner:~$ ruby -v
ruby 1.6.8 (2003-07-09) [i386-linux]
koizumi ＠ roadrunner:~$ ruby /tmp/test.rb
/tmp/test.rb:2: invalid regular expression: /([\243\341-\243\372]+)/

となります。一方、鬼車を使ったものだと、

koizumi ＠ roadrunner:~/src/ruby$ ./ruby -v
ruby 1.8.0 (2003-07-29) [i686-linux]
koizumi ＠ roadrunner:~/src/ruby$ ./ruby /tmp/test.rb
/tmp/test.rb:2: empty range in char class: /([\243\341-\243\372]+)/

となります。

同等であるはずの、php のコードでは、

<?php
mb_regex_set_options('');
mb_regex_encoding('EUC-JP');
if (mb_ereg('[ａ-ｚ]', "あ", $regs)) {
    print "{$regs[0]}\n";
}
if (mb_ereg('[ａ-ｚ]', "い", $regs)) {
    print "{$regs[0]}\n";
}
if (mb_ereg('[ａ-ｚ]', "う", $regs)) {
    print "{$regs[0]}\n";
}
if (mb_ereg('[ａ-ｚ]', "ｍｚｘｆｐ", $regs)) {
    print "{$regs[0]}\n";
}
?>

koizumi ＠ roadrunner:~$ php /tmp/test.php
ｍ

となります。何か見落としている可能性大ですので、
どなたか情報お持ちでしたら、お知らせください。

それでは。