Zvláštní chování jednoho REGEXPU

ic napsal(a):
Teoreticky ale myslím že za popisované chování může [:punct:] to by nemělo zahrnotat diakritiku nebo jo?

[:punct:] = Any punctuation character: ! ' # S % & ' ( ) * + , – . / : ; < = > ? @ [ / ] ^ _ { | } ~

Nicméně co já jsem to zkoušel, tak mi to nefunguje ani přímo:

<?php

$val = 'Klášterec nad Ohří';
echo preg_match('/^[^ßĚŮěů0-9[:space:][:punct:]][^0-9[:punct:]]{1,20}$/', $val);

?>

A je to tím, že text je kódován v UTF-8 a ve skutečnosti ten regulár porovnává něco jako KlĂĄĹĄterec nad OhĹ�Ă a zde konkrétně to ř, tedy �, nesedí nutnosti nemít :punct:

No jo, ale co s tim? Napadá mě převést text před porovonáním do nějakého single-byte kódování, to by ale potřebovalo zásah do Form. Nebo použít mb_ereg_match, ten ale zase neumí Perl reguláry. Nebo udělat výraz nějak srozumitelněji. No prostě v PHP je cesta po Unicodu zapeklitá.

Tak jsem zkoušel to mb_ereg_match a zdá se, že je to normální PCRE. Akorát se pattern neuzavírá do //. Takže bych to vyřešil nahrazením preg_match za mb_ereg_match ve funkci validateRegexp v souboru Nette/Forms/Controls/TextBase.php ;)

BTW: Co má ten regulár vůbec dělat? Podle mě je naprosto k ničemu. Jen snad kontroluje první písmeno a to, že tam není tečka. Ale třeba „spojku“ ‚ž‘, ‚l‘ apod. v např. ‚Město ž Les‘ to veme :D. Když už to checkovat, tak pořádně ;)

Editoval DocX (4. 10. 2009 12:10)

Tedy, když tu na to koukám… Co bych k tomu dodal:
Za prvé, jak už tu zmínilo hodně lidí, takhle by regulár na kontrolu názvů měst opravdu neměl vypadat.

Pokud jde o to, proč se to nechová, jak bys očekával, opravdu bude na vině kódování. (Znak ř to teda podle mě nebude, ale to je teď uplně jedno.) Konkrétně zde je asi na vině délka řetězce v jiném kódování. Nevěřím, že ti to s {1,50} neprošlo. Podle mě to projde už s {1,21}, a můžeš klidně zkusit {1,}.

Ani to ale není tak důležité, podstatné je, že kvůli kódování vidí funkce preg_match() jiné znaky a jinak dlouhý řetězec.

Napravit by to mělo jít snadno, modifikátorem /u:

$val = 'Klášterec nad Ohří';
echo preg_match('/^[^ßĚŮěů0-9[:space:][:punct:]][^0-9[:punct:]]{1,20}$/u', $val);

Schválně si do tohohle zkus dát délku {1,17}, mělo by to projít. (Ten řetězec má sice 18 znaků, ale první znak je specifikován v první části regexpu.)

Co k tomu říct. Že mi nevěříš, s tím nic neudělám. Sám si to vyzkoušej, abys uvěřil. Modifikátor /u vyzkouším, díky.

OK, sorry. Teď jsem to vyzkoušel v různých kódováních a mě to prostě vždy projde už s {1,21}. Je to jedno… DocX měl pravdu v tom, že je to kódováním a s tím já jsem souhlasil. Modifikátor /u nastavuje podporu dlouhých Unicode znaků.

Ještě zvaž, jestli do výčtu znaků nepřidat některé slovenské nebo přehlasované znaky (nevím, jestli se v ČR v názvech objevují…).

Hele, to /u je vážně přesně na UTF-8, jaktože jsem o tom nevěděl :-] Díky i ode mě za to :)

Pro ty, kteří o tom nevěděli jako já, přidávám odkaz na možné modifikátory v PCRE funkcích PHPka

Jen mě tak napadá, nebylo by dobré, kdyby to Nette přidávalo samo? Stejně je přece stavěné na to, že všechno je v UTF-8?

Editoval DocX (4. 10. 2009 14:27)

Martin Mates napsal(a):

Nakonec jsem ten regulár na města změnil na: /^[a-zA-ZáčďéěíňóřšťúůžýÁČĎÉĚÍŇÓŘŠŤÚŮŽÝ ]{1,33}$/

Súhlasím s tým, že takýto regulárny výraz na kontrolovanie názvu obce je dosť zbytočný. Dovoľuje zadať nespočetné množstvo nezmyselných názvov, vyberiem:

q
aaaaaaaaaa
aaaaaaaaab
aaaaaaaaac
...
zzzzzzzzzx
zzzzzzzzzy
zzzzzzzzzz

DocX napsal(a):

Jen mě tak napadá, nebylo by dobré, kdyby to Nette přidávalo samo? Stejně je přece stavěné na to, že všechno je v UTF-8?

Modifikátory by Nette rozhodne nemalo nastavovať samo, implicitné nastavenie by znižovalo možnosti písania výrazov…

Juan napsal(a):

kravčo: Tenhle regulár je o dost lepší, než ten původní. Záleží, jestli potřebuje kontrolovat pouze povolené znaky nebo zda jde opravdu o název. Pro první možnost ten regulár bohatě stačí. Druhá by byla o dost komplikovanější.

To, o koľko je tento lepší ako pôvodný, vôbec neriešim.

A ešte dodám, že ste možno zabudli na Frýdek-Místek…

A nevyplatilo by se tedy, kdyby u preg_* funkcí byl v Nette modifikátor u napevno?