ruby-dev

成瀬です。

Masayoshi Takahashi wrote:
> 高橋征義です。1.9のエンコーディングとString#valid_encoding?について。
> 
> 【背景】
> 入力チェック等で、ある文字列があるエンコーディングの範囲内に
> おさまっているか、厳格にチェックしたい場合があります。
> （おさまっていない場合は再入力をうながしたり、「?」に強制的に
> 置換したりします）。
> 
> 【提案】
> というわけで、例えば String#valid_encoding? で厳格なチェックが
> できるとうれしいです。具体的には、Shift_JISで、JISにない文字
> （いわゆる機種依存文字）が含まれている場合、falseになると
> いった具合です。

そういったニーズはわかるのですが、そういった validation に必要なデータ量
は Ruby 本体が持つには大きすぎるように感じます。Shift_JIS ですら
0x8140-0x9fEC, 0xE040-0xEAA4 まできっちり詰まっているかと思いきや、非漢
字のあたりはちらほら穴があいているので、そこの情報も必要です。Unicode だ
となおさら。

> 【備考】
> これって、Windows-31JがShift_JISのreplicaそのままでいいのか
> どうか問題にかかわってくるんですよね。上記のような理由も
> あって、私はWindows-31JとShift_JISはまるっきり同じ、ではない
> 方がいいと思っています。
> もっとも、じゃあISO-2022-JPの厳格な解釈は？とか、いろいろ
> 問題が出てくるとは思いますが……。

replica という語感が誤解を生みやすいのかもしれませんが、Ruby 本体が (と
いうよりは鬼車が) 関心を持っているのは文字がどこで切れるか、言いかえれば
どのような符号化表現を用いているかです。その encoding (というか charset
というか 文字集合) において実際に文字が定義されているかどうかはどうでも
いいのです。そして、Shift_JIS も Windows-31J もどちらもシフト符号化表現
を用いている以上まるっきり同じものです。EUC-CN は EUC-KR の replica です
しね。

図にすると [ruby-dev:32952] みたいなかんじ。

そういった性質を持つ以上、現在の valid_encoding? に文字集合への内包性
チェックを求めるのは違うと思います。むしろ、妥当性をチェックしないのに
valid を名乗るのが間違っているのではないかという批判はありえる話で、
well_formed_encoding? とした方がいいのではないかと提案しようと思ったもの
のあまりの名前の長さにやめたのですが、well_formed? なら短いので、名前を
変えませんか。

well-formed XML からの連想で validation を行わず Character Encoding Form
(Scheme) のみを判定するのだろうと推測してくれることが期待できます。

> いずれにしても、最悪上記【背景】に書いたことを解決するのが
> 目的です。それができるのなら、 String#valid_encoding? 以外の
> 手段を使うのであっても構いません。

ところで、他にどのコードポイントが存在し、どれが存在しないかを知っている
のは、文字コード変換機あたりが考えられるかと思います。多くのエンコーディ
ングでは、それが Unicode に変換可能かで妥当性をチェックできる…かのように
思えますが、それで本当にいいのですかね。まず、encoding を注意深く選ばな
いと、期待した集合は得られません。EUC-JP だとたぶん JIS X 0212 が余計で
すし (Perl/Encode だと JIS X 0213 まで入ってる)、Shift_JIS でも nkf や
現在の Ruby/transcode だと CP932 拡張も変換します。そもそも、いわゆる半
角カナや全角英数字も期待している集合に入っていないんじゃないですか。

結局のところ、そういった validation は専門のモジュールに任せるべきで、汎
用の何かに求めるべきではないと思います。で、何を使えばいいかですが・・・
Ruby/CHISE かな・・・？

それもアレなんで、必要ならば nkf につっこみますかねぇ。（どうせ内部は区
点コードだし）

-- 
NARUSE, Yui  <naruse@airemix.com>
DBDB A476 FDBD 9450 02CD 0EFC BCE3 C388 472E C1EA

Thread

Prev Next

In This Thread

Prev Next

[#32910] NKF,Kconv — Kazuhiro NISHIYAMA <zn@...>

[#32913] openの"b"とencoding — Kazuhiro NISHIYAMA <zn@...>

[#32922] SEGV by regexp match in while loop — Tanaka Akira <akr@...>

[#32932] extend Tempfile — Tanaka Akira <akr@...>

[#32935] queue and timeout — Tanaka Akira <akr@...>

[#32940] ripper cannot build on win32 — yukimi_sake <yukimi_sake@...>

[#32945] Shift_JIS variants and UTF-16 support — "U.Nakamura" <usa@...>

[#32946] replica と alias の違い(encoding) — KIMURA Koichi <kimura.koichi@...>

[#32957] SEGV by Symbol#match — "Hiroyuki Iwatsuki" <don@...>

[#32970] rb_thread_create()の中でmodule_eval — Kouhei Sutou <kou@...>

[#32979] BOM of UTF-８ — KIMURA Koichi <hogemuta@...>

[#32987] error with open-uri (instance_eval?) — "U.Nakamura" <usa@...>

[#32988] Re: [ruby-cvs:22194] Ruby:r14957 (trunk): * encoding.c (rb_enc_init): UTF-{16,32}{BE,LE} are not builtin. — Yukihiro Matsumoto <matz@...>

[#32992] ASCII is alias of US-ASCII; replica of dummy encoding is not a dummy — "NARUSE, Yui" <naruse@...>

[#32996] binmode and ASCII-8BIT — Kazuhiro NISHIYAMA <zn@...>

[#33058] Time.mktime — Tadayoshi Funaba <tadf@...>

[#33059] time.rb — Tadayoshi Funaba <tadf@...>

[#33060] Shellwords alias bug? — Masahiro Kawato <m-kawato@...>

[#33061] rational 1.18 — Tadayoshi Funaba <tadf@...>

[#33069] Re: [ruby-cvs:22244] Ruby:r15007 (trunk): * enc/make_encdb.rb: added. search enc/*.c and make encoding database. — Yukihiro Matsumoto <matz@...>

[#33072] Segmentation fault when File.open — Jun Mukai <mukai@...>

[#33076] Encoding.compatible? and dummy encodings — sheepman <sheepman@...>

[#33078] NEW REPLICA ENCODINGS AND ENCODING ALIASES — "NARUSE, Yui" <naruse@...>

[#33079] A patch for the manpage and ruby -h — Yugui <yugui@...>

[#33088] IO#gets with limit — sheepman <sheepman@...>

[#33095] Coerce via aliased methods — Yugui <yugui@...>

[#33097] Re: [ruby-cvs:22286] Ruby:r15049 (trunk): * configure.in (setup): add -I$(EXTOUT)/$(arch) to MINIRUBY. — "U.Nakamura" <usa@...>

[#33101] String#valid_encoding? shoud be strict? — Masayoshi Takahashi <maki@...>

[#33111] us_ascii.o: No such file or directory — Martin Duerst <duerst@...>

[#33124] Thread#priority= does not work — "Yusuke ENDOH" <mame@...>

[#33129] uninitialized constant Encoding::ASCII_8BIT (NameError) — Tanaka Akira <akr@...>

[#33130] 1.9.0 をコンパイルしてみた — Shin-ichiro HARA <sinara@...>

[#33136] enc_register_at should use strdup — sheepman <sheepman@...>

[#33139] Bignum#* might invoke GC parallelly? — "Yusuke ENDOH" <mame@...>

[#33142] eval(str.dump)==str — Kazuhiro NISHIYAMA <zn@...>

[#33156] default script encoding and -K option — sheepman <sheepman@...>

[#33159] the encoding of StringIO.new — sheepman <sheepman@...>

[#33164] default encoding for Marshal.load — "Shugo Maeda" <shugo@...>

[#33173] should initialize the group of threads — sheepman <sheepman@...>

[#33185] コンパイルの問題 (r15218) — Martin Duerst <duerst@...>

[#33189] nonlinear performance of each_char — Tanaka Akira <akr@...>

[#33191] Re: [ruby-cvs:22367] Ruby:r15130 (trunk): * enc/koi8_u.c: added. — Tanaka Akira <akr@...>

[#33211] each_char — Tanaka Akira <akr@...>

[#33218] Re: Ruby1.9String バイト列へのインデックス アクセス — "Hisanori Kiryu" <hkiryu@...>

[#33221] encoding of Iconv::Failure#success — Tanaka Akira <akr@...>

[#33224] printf "%0x" — Tanaka Akira <akr@...>

[#33226] [PATCH] warnings of enc/trans/utf_16_32.c — Nobuyoshi Nakada <nobu@...>

[#33231] each_char yields extra NUL — Tanaka Akira <akr@...>

[#33234] SEGV by test/ruby/test_io_m17n.rb — Tanaka Akira <akr@...>

[#33239] Re: [ruby-cvs:22386] Ruby:r15149 (trunk): * string.c (rb_str_each_char): move forward. — Tanaka Akira <akr@...>

[#33247] requests to transcode — "U.Nakamura" <usa@...>

[#33257] Bignum#quo may cause infinite loop — "Yusuke ENDOH" <mame@...>

[#33258] exhaustive test for bignum.c — "Yusuke ENDOH" <mame@...>

[#33261] Local variables in ChangeLog — Kazuhiro NISHIYAMA <zn@...>

[#33264] Marshal.load fails on LANG=ja_JP.EUC-JP — Tanaka Akira <akr@...>

[#33265] backported GC.stress for 1.8 — Tadashi Saito <shiba@...2.accsnet.ne.jp>

[#33273] Re: [ruby-cvs:22404] Ruby:r15167 (trunk): * configure.in (MINIRUBY): remove -I$(EXTOUT)/$(arch) from — Tanaka Akira <akr@...>

[#33275] comment about sprintf %u — "Yusuke ENDOH" <mame@...>

[#33276] comment about Math#asin — "Yusuke ENDOH" <mame@...>

[#33279] ASCII-8BIT regexp — sheepman <sheepman@...>

[#33280] exhaustive tests for struct.c, sprintf.c and math.c — "Yusuke ENDOH" <mame@...>

[#33282] fronzen string cannot unpack("p") — Nobuyoshi Nakada <nobu@...>

[#33303] Time#strftimeのエンコーディング — rubikitch@...

[#33328] can modify array during iteration — "Yusuke ENDOH" <mame@...>

[#33340] Can large scale projects be successful implemented around a dynamic programming language? — Jordi <mumismo@...>

[#33354] Re: [ruby-cvs:22447] Ruby:r15210 (trunk): * io.c (rb_io_getline_fast): the end point of left_char_head() — "U.Nakamura" <usa@...>

[#33359] printf "%#o\n", 0 — Tanaka Akira <akr@...>

[#33363] printf "%.0d\n", 0 — Tanaka Akira <akr@...>

[#33364] rdocのメモリ消費量がやばい — rubikitch@...

[#33367] printf "%#o\n", -1 — Tanaka Akira <akr@...>

[#33368] summary of script encoding — "U.Nakamura" <usa@...>

[#33377] Regexp#sourceのencoding — Kazuhiro NISHIYAMA <zn@...>

[#33380] Re: [ruby-cvs:22481] Ruby:r15244 (trunk): * string.c (rb_str_usascii_new{,2}: defined. — Tanaka Akira <akr@...>

[#33387] HashからStructを作る — rubikitch@...

[#33388] void value expression — SASADA Koichi <ko1@...>

[#33392] Re: [ruby-cvs:22482] Ruby:r15245 (trunk): * compile.c, compile.h: fix stack pointer issues. — Tanaka Akira <akr@...>

[#33399] regexp match /.../n against to UTF-8 string — Tanaka Akira <akr@...>

[#33400] /#{}/e.encoding — Tanaka Akira <akr@...>

[#33401] _dump and encoding with marshal — Tanaka Akira <akr@...>

[#33403] wrapped String#gsub — "Park Ji-In" <tisphie@...>

[#33218] Re: Ruby1.9String 　バイト列へのインデックス　アクセス — "Hisanori Kiryu" <hkiryu@...>