Соответствие границ в регулярных выражениях php в utf-8 - PullRequest
Новая
       38

Соответствие границ в регулярных выражениях php в utf-8

12 голосов
/ 12 марта 2010

У меня есть следующий php-код в php-файле utf-8: 

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('/\bweiß\b/iu', 'weiss', 'weißbier'));

Я бы хотел, чтобы последнее регулярное выражение заменяло только полные слова, а не части слов.

На моем компьютере с Windows он возвращает: 

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 'weißbier' (length=9)

На веб-сервере (Linux) я получаю: 

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"

Таким образом, регулярное выражение работает, как я ожидал, в Windows, но не в Linux.

Итак, главный вопрос: как мне написать свое регулярное выражение, чтобы оно соответствовало только границам слов?

Второстепенный вопрос - как я могу сообщить Windows, что я хочу использовать utf-8 в своем приложении php.

Ответы [ 4 ]

17 голосов
/ 15 марта 2010

Даже в режиме UTF-8 стандартные сокращения класса, такие как \w и \b, не поддерживают Unicode. Вы просто должны использовать сокращения Unicode, как вы уже работали, но вы можете сделать его немного менее уродливым, используя обходные пути вместо чередований: 

/(?<!\pL)weiß(?!\pL)/u

Обратите внимание, как я оставил фигурные скобки из сокращений класса Unicode; Вы можете сделать это, когда имя класса состоит из одной буквы.

4 голосов
/ 10 декабря 2016

Думаю, это было связано с Ошибка # 52971

PCRE-мета-символы, такие как \b \w, не работают со строками Unicode.

и исправлено в PHP 5.3.4

Расширение PCRE: Исправлена ​​ошибка # 52971 ( PCRE-мета-символы, не работающие с utf-8 ).

4 голосов
/ 12 марта 2010

вот что я нашел до сих пор. Переписав шаблоны поиска и замены следующим образом: 

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

Я получаю желаемый результат: 

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

как на моем компьютере с Windows, на котором работает Apache, так и на размещенном веб-сервере Linux, работающем с Apache.

Полагаю, есть лучший способ сделать это.

Кроме того, я все еще хотел бы установить локальный компьютер с windows на utf-8.

0 голосов
/ 14 марта 2010

Согласно этому комментарию , это ошибка в PHP. Дает ли использование \W вместо \b какую-либо выгоду?

...