にしし ふぁくとりー(西村文宏 個人サイト)

Presented by Nishishi via Movable Type. Last Updated: 2015/09/22. 13:22:45.

正規表現での句読点と英字A・Bの関係

以前、スパム投稿(コメントスパム)対策として、正規表現で句読点の有無をチェックすれば良いという提案をしたことがありました。以下のよーな正規表現を書く方法です。(Perl)

if ( $comment !~ m/[、。]/ ) { エラー処理 }

これを使えば、英文だけの投稿をブロックできるだろう…ということなんですけど、穴があることに気づきました。^^;;;

SHIFT-JISコードでは、読点「、」のコードは「81,41」、句点「。」のコードは「81,42」なんですよね。ASCIIコードでは、大文字のAが「41」、Bが「42」です。
なので、上記の正規表現で(2バイト文字を1バイトずつ分解して解釈しちゃう場合は)、アルファベットの大文字「A」と「B」もマッチしちゃうのですねー。(^_^;)
ううーん。

EUCコードの場合は、読点「A1,A2」・句点「A1,A3」になりますし、UTF-8コードの場合は、読点「E3,80,81」・句点「E3,80,82」になるので、アルファベットとはマッチしないのですが。

ソースがSHIFT-JISの場合は、「A」と「B」だけ容認しちゃうことになる(可能性がある)ので注意が必要ですね。まあ、スパム投稿の英文に大文字の「A」や「B」が含まれる可能性は、そんなに高くない気がするので、あんまり問題にはならないかも知れませんが。^^;

--- (追記) ---
前言撤回。(^_^;) スパム投稿を調べると、「All」とか「But」で始まる英文も結構あるようでした。
ぐぬぅ。

コメント

コメント数: 0件

コメント投稿欄 この日記に対するコメント投稿を歓迎します。

保存しますか?



※本文中にURLは書けません。(書くと投稿が拒否されますのでご注意下さい。)

※投稿内容は、実際にページ上に掲載される前に、管理者によって確認される設定にしている場合があります。その場合は、投稿後にその旨が表示されます。たいてい1~2日以内には表示されるはずですので、気長にお待ち願います。m(_ _)m

トラックバック

このエントリーへのトラックバックURLを表示するにはここをクリック
※スパム防止のため、トラックバックURLは別ウインドウで表示します。(JavaScriptが有効でないと表示されません。)

--- 当サイト内を検索 ---