From: Yukihiro Matsumoto <matz@...>
Date: 2008-09-16T13:09:21+09:00
Subject: [ruby-dev:36319] Re: 合成文字の2コードポイント目

まつもと ゆきひろです

In message "Re: [ruby-dev:36318] Re: 合成文字の2コードポイント目"
    on Tue, 16 Sep 2008 12:50:08 +0900, Tanaka Akira <akr@fsij.org> writes:

|> |UTF-8-CODEPOINT とかを導入するのがいいのではないかと思ってい
|> |ます。
|>
|> もうちょっと良い名前が欲しい気もします。自分では思いつかない
|> んですけど。
|
|まぁ、いい名前が見つかったらでいいんじゃないでしょうか。

了解です。

|rb_enc_mbclen がコードポイント単位ではなくなっているので、そ
|のままでは動きません。

実際にはrb_enc_codepoint()とrb_enc_codelen()の組み合わせにし
てさきほどコミットしました。

|rb_enc_codepoint でなく、rb_enc_mbc_precious_codepoint を使っ
|て、長さを得る必要があります。valid でないものを途中で見つけ
|たら例外ですかね。

えーと、この辺の関数名の働きがよく分かってないんですが、
rb_enc_codepoint()はもう使えないんですか。この場合、
rb_enc_codepoint()とrb_enc_mbc_precious_codepoint()との違いは
なんなんでしょう？ (precious → precise？)

|あー、String#codepoints なんてものが入っているんですね。これ
|は?

同じメソッドの別名です。each_codepointの方はブロックを与えて
繰り返すことを主眼に、codepointsの方はEnumeratorを得ることを
主眼にしている名前です。

|> これは文字クラスの両端はコードポイントに直接対応する「文字」
|> しか来ることができないという意味でしょうか。仮にそうだとする
|> と、正規表現リテラル/[○-●]/の「まる」のいずれかが合成文字
|> であった場合にはエラーになりますか？
|
|エラーにはなりません。濁点などが無視されます。
|
|% ./ruby -e 'p /[\u{30BB 309A}-\u30BF]/ =~ "\u30BB"'
|0
|
|U+30BB U+309A は「セ」と合成用半濁点で、アイヌ語のカナ表記で
|使う文字です。それが「セ」にマッチします。
|
|エラーにしたいのであれば oniguruma 側に検査を入れることにな
|ります。コードポイントを得ているところで、文字の長さとコード
|ポイントの長さが等しくなければ、というような条件になります。

別にエラーにしたいわけではありませんから、わざわざチェックを
入れる必要はないのではないかと思います。ただ、やや自明ではな
い気がします。まあ、

|そのうち、/[\u{30BB 309A}\u30BF]/ は /\u{30BB 309A}|[\u30BF]/
|に変換する処置をいれるべきかもしれません。そのへんの話は
|Unicode TR #18 に書いてあるので、気が向いたら。
|http://unicode.org/unicode/reports/tr18/

ということなので、おいおい進化すればいいのかもしれません。

                                まつもと ゆきひろ /:|)