İstanbul の slug が5通りに割れた、日本語のタイトルはそのまま URL に入った ― よく使う書き方を10言語で⑥

記事のタイトルから hello-world のような URL の一部（slug）を作る。ブログでも商品ページでもよく書く処理です。よく見かける書き方を10言語で試したところ、**İstanbul 1語で答えが5通りに割れました**。

何をしたか

CODE Polyglot の「よく使う書き方」 で、決まりを先に決めました（正解表14件）。

• 半角の A〜Z だけを小文字にする
• 半角の a〜z と 0〜9 を残し、それ以外は続いている分をまとめて「-」1つにする（「_」も「-」）
• 先頭と末尾の「-」を取り、32文字より長ければ切る
• 残る文字が無ければ NG: URL に使える文字がありません

10言語（PHP・Python・JavaScript・Go・Java・C#・Rust・Ruby・Kotlin・Swift）で書き、よく見かける書き方（\W+ を「-」にする、is_alphanumeric で判断するなど）も10言語で用意して、同じ正解表で動かしました。

İstanbul の答えが5通りに割れた

トルコ語の「点の付いた大文字の I」İ（U+0130）で始まる İstanbul（c007）を渡した結果です。

よく見かける書き方	答え
決まり（A〜Z だけを小文字に）	stanbul
PHP strtolower	stanbul
Python・Java・Rust・Ruby・Kotlin	i-stanbul
JavaScript・Go	istanbul
C# ToLower()	İstanbul
Swift lowercased()	i̇stanbul

Unicode の決まりでは、İ を小文字にすると「i」＋「上に付く点」の2文字になります。Python・Java・Rust・Ruby・Kotlin はこの決まりどおりに変えるので、点が「URL に使えない文字」になり、i と stanbul の間に「-」が入りました。JavaScript と Go は1文字の i にします（簡易の対応表を使うため）。C# の ToLower() は İ のまま変えず、\W が文字とみなしたので、大文字の İ が URL に残りました。Swift は2文字になったものを「1つの文字」として扱うので、点の付いた i がそのまま残っています。

決まりと同じ答えになったのは 10言語中 PHP だけでした。PHP の strtolower は 8.2 から ASCII の A〜Z だけを変えるようになったためで、たまたまです。

日本語のタイトルが、そのまま URL に入った

日本語のタイトル（c004）では、10言語中4言語（Python・C#・Rust・Swift）が 日本語のタイトル をそのまま返しました。全角の ＰＨＰ８（c013）も、同じ4言語が ｐｈｐ８ にしました。

よく見かける書き方	日本語のタイトル の答え
決まり	NG: URL に使える文字がありません
Python \W+・C# \W+	日本語のタイトル
Rust is_alphanumeric()・Swift isLetter	日本語のタイトル
PHP・JavaScript・Go・Java・Kotlin・Ruby	（空の文字列）

\w や「英数字か」を調べる関数が、言語によって Unicode 全体を見ます。Python と C# の \w、Rust の is_alphanumeric()、Swift の isLetter は、ひらがなや漢字にも合うので「残してよい文字」になります。

日本語の slug は、ブラウザのアドレス欄では読めますが、コピーすると %E6%97%A5%E6%9C%AC... に変わります。残すかどうかは好みですが、どちらにするかを決めて書く必要があります。残す文字を [a-z0-9] と書けば、どの言語でも同じ答えになります。

空のまま保存される

空の文字列（c011）と記号だけの !!! ---（c012）では、よく見かける書き方の 10言語すべてが空の行を出しました。日本語だけのタイトルでも、上の6言語は空になります。

slug が空のまま保存されると、/posts/ のような URL ができたり、2件目の記事で同じ空の slug がぶつかったりします。「空になった」ことを呼ぶ側に返して、日付や ID で別の名前を決められるようにしておきます。

「_」と、長さの上限

user_id--2（c003）では、10言語中5言語が決まりと違う答えを返しました。4言語は「_」を残し（\w と \W は Unicode を見る言語でも見ない言語でも「_」を単語の文字に入れます）、PHP は続いた「–」を残しました。

// PHP でよく貼られる書き方。許す文字に「-」が入っているので、もともとの「--」が残る
$slug = strtolower(trim(preg_replace('/[^A-Za-z0-9-]+/', '-', $s), '-'));
// user_id--2 → user-id--2（決まりは user-id-2）

長さは、10言語すべてが切りませんでした。The Quick Brown Fox Jumps Over The Lazy Dog（c008）は43文字の slug になります。データベースの列の幅のために上限を決めるときは、切った位置が「-」に当たる場合（c009）に、もう一度末尾の「-」を取ります。

どう書いたか

10言語とも同じ順番で書いています。

1. 半角の A〜Z だけを小文字にする（toLowerCase() や downcase のような Unicode の小文字化は使わない）2. [a-z0-9] 以外を、続いている分まとめて「-」1つにする3. 先頭と末尾の「-」を取る4. 32文字で切り、末尾の「-」を取る5. 空なら NG を返す

s = s.translate(str.maketrans(string.ascii_uppercase, string.ascii_lowercase))
s = re.sub(r"[^a-z0-9]+", "-", s).strip("-")

Rust と Swift には標準の正規表現が無いので、1文字ずつ見て同じことをしています。Go の正規表現（RE2）には先読みがありませんが、[^a-z0-9]+ は使えます。

32文字を数えるところでは、「絵文字を何文字と数えるか」の問題が起きません。「-」にまとめたあとは半角の英数字と「-」だけになっていて、バイト数も文字数も同じになるからです。I 🍣 Sushi（c006）の絵文字も、line1\r\nline2（c014）の改行2文字も、1つの「-」にまとまります。

10言語のコードは、どれも14件すべてで決まりどおりの答えを出しています。

まとめ

• 小文字化は言語で結果が違う（İ は 2文字・1文字・変わらない の3通りに分かれた）。URL を作るなら A〜Z だけを変える
• \w や「英数字か」を調べる関数は、言語によって日本語にも合う。残す文字を [a-z0-9] と書く
• slug が空になったときの答えを決めておく（黙って空を返さない）

10言語のコードと全14件の結果は CODE Polyglot「URL 用の文字列（slug）を作る」 にあります。