君たちは正規表現におけるインド数字の罠にハマったことはあるかい？(١٢٣٤٥٦٧٨٩) - Qiita

import re re.match(r'\d{4}-\d{2}', '٢٠٢٢-٠٦') Pythonで書いてはいますが、内容を補足します。「'٢٠٢٢-٠٦'」という文字列が、数字4文字+ハイフン+数字2文字にマッチするかどうか、という正規表現を書いています。 一見するとどう見ても数字4桁ではないので、正規表現にマッチしないように見えますよね？？？？ 実は正規表現にマッチします！！！というのが今回の記事の内容になります。 そもそも正規表現における数字の扱いとは 今回はPythonの正規表現のライブラリを利用しているので、公式のリファレンスを見てみましょう。 該当の部分には以下のような記述があります。 \d Unicode (str) パターンでは: 任意の Unicode 10 進数字 (Unicode 文字カテゴリ [Nd]) にマッチします。これは [0-9] とその他多数の数字を

[maninthemiddle]

これにマッチするなら漢数字にマッチしないのはおかしくね

[mattn]

Python3 の正規表現の \d は UNICODE 文字なので各言語の数字(全角数字も含む)にマッチするという話。

[tbsmcd]

漢数字は数を（も）表す漢字だから数字ではない、ということかな。日本語（やまとことば？）でいうと「ひ、ふ、み、よ」にマッチして良いのか、という。one, two　とか。/ 百円と100円は互換だけど、四川は4川じゃない。

[ockeghem]

\dなど定義済み文字クラスを使うと全角数字にもマッチする場合があるので[0-9]等と明示しましょう…という話は徳丸本にも出てきます（徳丸本は隅から隅まで読みましょう=宣伝）

[gogatsu26]

「インドの数字に由来するのでインド数字と呼ばれるが、インドではなくアラブ諸国・アラビア語圏で使われる数字である」インド数字 - Wikipedia https://ja.wikipedia.org/wiki/%E3%82%A4%E3%83%B3%E3%83%89%E6%95%B0%E5%AD%97

[sgo2]

昔漁ったWindowsのlocale情報一覧見たら数字の組が17種あったけど、鬼雲でも¥dで全部マッチした(オプションで変更できる模様)。あとインド数字と呼ばれるけど実際使われているのは中東で、インドでは使われてない模様。

[amd64x64]

\dを無闇に拡張しないでほしいね。あと、LOCALEで動作をかえるCRT関数もやめて。

[agricola]

こういう多言語化の問題、某RDBMSのサポートやってたときに質問されたなぁ。「テーブル名を”四半期”って名前にしたらエラーになったんだが」→「四」は数字なので識別子の先頭には使えません、みたいなの。

[kazuau]

JSだと仕様(ECMA-262)に"characters 0 through 9 inclusive"って定義されてるからこういう問題は生じない…はず / UnicodeのNumberの指定は\p{N}だそうだ

[uunfo]

アラビア数字では？と思ったが、アラビア数字と言ったらアラビア語の数字١٢٣ではなく123の方になるのか…／文全体は右からだからハイフンの前後は右から、数字そのものは左から読むのね

[deep_one]

高機能すぎた（笑）

[shinagaki]

10{6}天原サロメ

[matarillo]

.netの正規表現の文字クラスもデフォはUnicodeだけど、オプションでES互換のASCIIベースにできる https://docs.microsoft.com/ja-jp/dotnet/standard/base-types/regular-expression-options#ecmascript-matching-behavior 公式ドキュメント読むのだいじ

[Lumin]

こういう思いつきクソ仕様ぶっ込んで自己顕示欲満たすのマジのガチでやめてほしいんだよな

[mikage014]

“悪意のあるユーザが意図的に日付入力部分にインド数字を入れて送信し、システムへ不具合を起こさせる、といったことも考えられます。”

[n181DzTD]

正規表現はライブラリにによって差が出ることが大きいから本当に基本的な書き方以外は使わないな

[petitbang]

locale気を利かせすぎ問題か。

[terafuri]

まーじか

[aox]

文字の使用をやめましょう

[yuno001]

知らなかった。が、なぜか昔から\dはほとんど使わない、

[rrringress]

数とはなにかだ

[tengo1985]

.NETもカルチャ（ロケール）依存で挙動変わってハマったことあるから、他の言語でも¥dは使わないようになった。

[akrtak]

気になって色々調べてしまった。JavaのInteger.valueOfもインド数字ちゃんとパースするらしい

[toaruR]

面白い(ノ∀`) 使い所が減って逆に不便になるパターン

[tourism55]

\dでひっかかる各言語数字・全角数字の一覧とかどっかにあるかな。

[knok]

\sも全角空白にマッチするんだよなあ

[Wafer]

ローマ数字、漢数字はヒットするのかしら

[remonoil]

\d ではなく [0-9] を使おう

[sjn]

参照先のUnicode一覧見ると「漢数字の “八” を括弧や丸で囲んだものも \p{N} でマッチするが、単なる “八” はマッチしない」、というか漢数字は一〜四だけは判定あるの…？なんだこれ…まぢもうむり…

[greenbow]

↓文章全体は右から読むが、数字部分だけは左から読むということみたいですよ。ややこしや。

[t_motooka]

ブコメ含めて良い話。自分は [0-9]+ 派だけども。

[kkobayashi]

知らなかった。なんだその仕様

[Falky]

定義済み文字クラス好きじゃないから必ず[0-9]で書くわ。言われてみると、正規表現覚えた時に危ないから極力やめろって教えられた気も…ていうか、だから好きじゃないんだっけ？？そうかも？最近脳死で書いとるな…

[homarara]

「右から読む」の部分、なんで打ち消し線入れてんの？　右から読むの？　読まないの？　'٢٠٢٢-٠٦'の例、明らかに「06-2022」だよね？　ハイフンは右から5文字目だよね？　右から読まないとマッチしないのでは？

[strawberryhunter]

タイ語の数字とかもマッチするのかな。全角数字は？まあインド数字の罠じゃなくてPythonの罠だろ。JavaScriptではマッチしなかった。

[lli]

なるほど

[zkq]

多分一生ハマりそうにない罠

[spark7]

\dと[0-9]は違うのね...

[I8D]

まずタイトルで笑ってしまったw 正規表現は奥が深い……