正規表現で全角文字を全て削除したい

質問

正規表現を使ってアスキーコード文字以外の全角文字を全て削除しようとしたのですが、ユーロ記号　€　が削除できませんでした。

以下は英小文字以外全て削除しようとしたものです。
英小文字以外や全角文字は削除できているようですが、ユーロ記号が削除されません。
mb_ereg_replace ('[^a-z]', "", $str);

error_logを使って確認してみるとそもそもブラウザから送られてきたきた時点で ＆＃８３６４； となっています。（ユーロ記号そのものがこの場に表示されてしまうので全角で明記していますが実際は７文字全て半角です。）　これが正しい挙動なのかどうかも判断がつきかねています。（コード番号そのものはユーロ記号のようですが）
error_log($_POST['moji'], 0);

以下のようにアスキーコード以外全て削除という指定も削除されませんでした。
＆＃８３６４；　をアスキーコード７文字として一つ一つ処理しているようです。
mb_ereg_replace ('[^\x00-\x7f]', "", $str);

ちなみにこの ＆＃８３６４； の入った $str をHTMLを使いブラウザに出力してやるとちゃんとユーロ記号が表示されます。
<pre>{$str}</pre>

mb_internal_encodingやmb_regex_encodingの設定などいろいろ試してみたのですがうまくいきませんでした。

この文章を書いていて今思ったのですが、ひょっとしてまず　＆＃と；　で挟まれたものを削除するというのがこの問題の一般的な解決方法なのでしょうか。そうすればユーロ記号　＆＃８３６４；　も削除できますし。もしそうならその辺の事情も解説あるいはURL明記していただけると助かります。
（でもこれ、アスキーコードは残したい場合にたまたま　＆＃８３６４；　というユーロ記号を意図しないただの半角７文字の文が入力されてきてしまっても削除されるということになっちゃいますね。これはやっぱりしょうがないのですかね。）

よろしくお願いします。

回答No.2

salsberry · ベストアンサー

ユーロ記号は「全角文字」なのか？という疑問は置いといて...
以下、半角の&記号を全角の＆で置き換えて書きます。

＆#～;で表すのは数値文字参照と言います。～の部分は10進数とは限らず、16進数も使われます。このため＆#8364;と＆#x20AC;は同じ文字を表します。
また、ユーロ記号は文字実体参照を使って＆euro;という表し方もできます。

一方で、ASCIIの範囲にある文字が文字実体参照で表される場合があります(&→＆amp;、 >→＆gt;)。あまりやらないでしょうが、数値文字参照で表すこともできます(A→＆#65;)。

つまり、＆と;に挟まれた内容を確認せずに削除してしまうと、数値文字参照や文字実体参照で表されたASCIIの範囲内の文字まで消えてしまうことになります。

・入力に数値文字参照がある場合、＆#と;の間の数値を確認し、その値が128以上だったら＆#～;を削除する
・入力に文字実体参照がある場合、それが表す文字がASCIIの範囲内かどうかをチェックし、範囲外だったら＆～;を削除する(ASCIIの範囲内の文字に対して定義されている文字実体参照は数が限られているので全数チェック可能)
というような方針で対応すればいいのではないでしょうか。

> たまたま　＆＃８３６４；　というユーロ記号を意図しないただの半角７文字の文が入力されてきてしまっても

ユーロ記号が＆#8364;で表されるような入力であれば、「＆#8364;」という文字列は「＆amp;#8364;」と表されると思う(未確認)のでその心配は無用でしょう。

参考URL：

http://ja.wikipedia.org/wiki/%E6%96%87%E5%AD%97%E5%8F%82%E7%85%A7

お礼

回答ありがとうございます。
とても参考になりました。

回答No.1

SAYKA

ユーロ記号はunicodeだとおもうけど phpとかのエンコーディングがunicodeになってないとか・・・

お礼

回答ありがとうございます。
参考にさせていただきます。