代码之家 › 专栏 › 技术社区 › tomsv

php regex单词边界匹配(utf-8)

word-boundary pcre utf-8 regex php

12

tomsv · 技术社区 · 16 年前

我在utf-8 php文件中有以下php代码:

var_dump(setlocale(LC_CTYPE, 'de_DE.utf8', 'German_Germany.utf-8', 'de_DE', 'german'));
var_dump(mb_internal_encoding());
var_dump(mb_internal_encoding('utf-8'));
var_dump(mb_internal_encoding());
var_dump(mb_regex_encoding());
var_dump(mb_regex_encoding('utf-8'));
var_dump(mb_regex_encoding());
var_dump(preg_replace('/\bweiÃ\b/iu', 'weiss', 'weiÃbier'));

我希望最后一个regex只替换完整的单词,而不是部分单词。

在我的Windows计算机上,它返回:

string 'German_Germany.1252' (length=19)
string 'ISO-8859-1' (length=10)
boolean true
string 'UTF-8' (length=5)
string 'EUC-JP' (length=6)
boolean true
string 'UTF-8' (length=5)
string 'weiÃbier' (length=9)

在Web服务器(Linux)上,我得到:

string(10) "de_DE.utf8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(9) "weissbier"

因此,regex在Windows上可以像我预期的那样工作,但在Linux上却不行。

所以主要的问题是,我应该如何编写只在单词边界匹配的regex?

第二个问题是如何让Windows知道我想在PHP应用程序中使用UTF-8。

4 回复 | 直到 16 年前

1

17

Alan Moore Chris Ballance 10 年前

即使是在UTF-8模式下,标准类速记员 \w 和 \b 不支持Unicode。您只需要使用Unicode速记,正如您所了解的那样,但是您可以通过使用lookarounds而不是alternations使其不那么难看:

/(?<!\pL)weiÃ(?!\pL)/u

还请注意我如何将花括号从unicode类速记中去掉;当类名由单个字母组成时,您可以这样做。

2

4

tomsv 16 年前

这是我迄今为止发现的。通过这样重写搜索和替换模式:

$before = '(^|[^\p{L}])';
$after = '([^\p{L}]|$)';
var_dump(preg_replace('/'.$before.'weiÃ'.$after.'/iu', '$1weiss$2', 'weiÃbier'));
// Test some other cases:
var_dump(preg_replace('/'.$before.'weiÃ'.$after.'/iu', '$1weiss$2', 'weiÃ'));
var_dump(preg_replace('/'.$before.'weiÃ'.$after.'/iu', '$1weiss$2', 'weiÃ bier'));
var_dump(preg_replace('/'.$before.'weiÃ'.$after.'/iu', '$1weiss$2', ' weiÃ'));

我得到了想要的结果:

string 'weiÃbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)

在运行Apache的Windows计算机和运行Apache的托管Linux Web服务器上。

我想有更好的方法可以做到这一点。

另外,我仍然希望将我的Windows计算机设置为UTF-8。

3

4

bobble bubble 9 年前

我猜这和 Bug #52971

PCRE元字符,如 \b \w 不使用Unicode字符串。

和 fixed in PHP 5.3.4

PCRE扩展: 修正了错误52971 ( PCRE元字符不使用UTF-8 )

4

0

ntd 16 年前

根据 this comment ,这是PHP中的一个错误。是否使用 \W 而不是 \b 有什么好处吗?