小粋空間  -  a cheap joke and a play on words site

Perlの正規表現で制御文字を削除する

Perlの正規表現で制御文字を削除する方法を紹介します。

１．経緯

会社で使っている自作ツール（Perl）があります。

そのツールは、設計書のレビュー時にコメントで質問・回答のやりとりをするというもので、コメントの一覧をテーブル形式で表示することもできます。

ある日、その一覧が途中までしか表示されなくなりました。表示されなくなった境界のデータを確認してみると、「♂」を半角にしたような、みなれない制御文字が含まれていました。

コメントを投入した人に確認してみると、「パワーポイントのふきだしオブジェクトに入力されたテキストをコピー＆ペーストした」ということです。

コメントはXML形式で保存し、一覧表示するときはXML::Simpleを使ってデータをパースしているのですが、制御文字が原因で正常にパースできなかったようです。

ということで、次項に制御文字を削除する方法を紹介します。

２．制御文字を削除する

制御文字の削除には、正規表現の「POSIXキャラクタクラス」というものを使います。制御文字の正規表現は次のとおりです。

[:cntrl:]

実際に利用するときにはブラケットを二重にして

[[:cntrl:]]

とします。これをs演算子（置換演算子）に設定して、

$data =~ s/[[:cntrl:]]//g;

とすることで、制御文字が削除できるようです。

３．タブと改行以外の制御文字を削除する

２項の方法ではタブや改行も削除されてしまうので、「否定先読み」を使い、タブと改行以外の制御文字を削除するようにします。

最終的には次のようになります。

$data =~ s/(?![\n\t])[[:cntrl:]]//g;

４．参考サイト

参考サイトは下記です。ありがとうございました。

• 正規表現メモ
• 正規表現で制御文字を除去する方法
• 正規表現（肯定先読み、否定先読み、肯定戻り読み、否定戻り読み）