[Tokyo.pm] Re: [Tokyo.pm] utf-8 用の "word" char って？

[Dan Kogai]

On Nov 21, 2003, at 12:46 AM, Keiichi Okabe wrote:
> 岡部です．
>
> 5.8.2 もでて，ActivePerl も5.8.1が出てきたので，utf8を
> 活用するスクリプトを作り始めています．

Perlのソノ部分担当の弾です。

> で，
>
> \w Match a "word" character (alphanumeric plus "_")
>
> に対応する，日本語文字クラス（って言えばよいのかな？）
> ってのはどう記述すればよいのでしょうか．

ちょっと定義が曖昧でわかりません。要するに、漢字なら漢字、カタカナならカタカナ、ひらがなならひらがなだけ抜き出せればよいのでしょうか？あるい 
は、日本語としてOKな文字をすべて取り出すという意味でしょうか？とりあえず前者の場合を想定すると.....

> perldoc をあさっているのですが，見つからないので，どなたか（どこに出ている
> という情報でもよいので）教えてください．

例えば、カタカナだけ抜くのであれば、

\p{Katakana}

という表現が出来ます。以下、一例。

binmode STDIN =>":utf8";
binmode STDOUT=>":utf8";
while(<>){
     my @words =  /(\p{Han}+|\p{Hiragana}+|\p{Katakana}+|\p{latin}+)/g;
     print join("," => @words), "\n";
}
__END__

これに、

漢字カタカナひらがなの混じったtext

をUTF-8で食わせると、

漢字,カタカナ,ひらがなの,混,じった,text

と出てきます。\p{}の詳しい使い方は、perldoc perlunicodeをご覧ください。

Dan the Perl5 Porter