subject: 漢字１字にマッチする正規表現


　　　　　　「漢字１字にマッチする正規表現」の補足説明

２月に行なった正規表現によるテキスト検索の講習会で，文字クラスを利用して
任意の漢字を指定する方法についてお話しましたが，説明が不十分だったので，
補足いたします。

■1. 「熙」と「煕」

サクラエディタでは (JIS X 0208の範囲内の文字からなるテキストが
対象であれば) 漢字１文字を指定するには [亜-熙] とすればよいと
説明したところ，実際に検索してみると，漢字なのにマッチしないものが
あるのはなぜかとの質問を受けました。その時は理由がわからず回答を
保留にさせていただきましたが，どうも，[亜-熙] ではなく [亜-煕] と
してしまったのが原因だったようです。(識別しやすいように，問題の漢字を
それぞれ《熙》【煕】と表記することにします。)

[亜-《熙》] という正規表現を説明するのに，「ハイフンの後の文字は
“こうきじてん”の“き”です」という言い方をしたので，「《熙》」を
入力するのに，「こうきじてん」と入力し，仮名漢字変換で「康《熙》字典」を
呼び出して，不要な文字を削除した方が多かったのではないかと思いますが，
使用する IME によっては「康《熙》字典」ではなく，「康【煕】字典」が
呼び出されます。次のように「【煕】」と「《熙》」は，JIS X 0208でも，
Unicodeでも異なる文字として登録されており，[亜-【煕】] としてしまうと，
【煕】の後から《熙》までの漢字が対象から外れてしまいます。

　　【煕】　JIS 5F66，句点 6370，Unicode U+7155
　　《熙》　JIS 7426，句点 8406，Unicode U+7199

「こうき(じてん)」と「こうきてい」で呼び出される漢字が異なる IME もあること，
文字が小さいと「【煕】」と「《熙》」を識別するのは難しいことを考えると，
仮名漢字変換で入力するのではなく，IME パッドの「文字一覧」(Windows の場合) で
入力した方が安全かもしれません。

■2. 「々」

「々」は，JIS X 0208でもUnicodeでも記号扱いで，漢字のブロックに
入っていないため，「々」を漢字扱いするのであれば，[亜-熙々] とする必要が
あります。[亜-熙々]+ とすれば，「明々白々」「侃々諤々」などにもマッチします。

　　 追記 [2011/11/14]: JIS X 0212，Unicode には漢字扱いの「乄」がある。

「仝」はUnicodeでは漢字のブロック (CJK統合漢字) に入っていますが，
JIS X 0208では記号類のブロックに入っていますので，サクラエディタなどの
ツールでは，必要があれば，これも追加することになります。

同様に，平仮名の連続，片仮名の連続を検索する場合には，「ヽ」「ゝ」などの
扱いに気をつける必要があります。

--
名古屋大学大学院国際開発研究科
国際コミュニケーション専攻
大名 力 (Tsutomu OHNA)