UTF-8 символов в preg_match_all (PHP) - PullRequest
Новая
       42

UTF-8 символов в preg_match_all (PHP)

9 голосов
/ 02 февраля 2010

У меня есть preg_match_all('/[aäeëioöuáéíóú]/u', $in, $out, PREG_OFFSET_CAPTURE);

Если $in = 'hëllo' $out равно: 

array(1) {
[0]=>
  array(2) {
  [0]=>
    array(2) {
      [0]=>
      string(2) "ë"
  [1]=>
  int(1)
}
[1]=>
array(2) {
  [0]=>
  string(1) "o"
  [1]=>
  int(5)
  }
}
}

Позиция o должна быть 4. Я читал об этой проблеме онлайн(ë считается как 2).Есть ли решение для этого?Я видел mb_substr и подобные, но есть ли что-то подобное для preg_match_all?

Вид связанных: это эквивалент preg_match_all в Python?(Возвращает массив совпадений с их положением в строке)

Ответы [ 4 ]

6 голосов
/ 08 августа 2010

Это не ошибка, PREG_OFFSET_CAPTURE относится к байтовому смещению символа в строке.

mb_ereg_search_pos ведет себя так же. Одна возможность состоит в том, чтобы изменить кодировку до UTF-32 до и затем разделить позицию на 4 (потому что все единицы кода Unicode представлены как 4-байтовые последовательности в UTF-32): 

mb_regex_encoding("UTF-32");
$string = mb_convert_encoding('hëllo', "UTF-32", "UTF-8");
$regex =  mb_convert_encoding('[aäeëioöuáéíóú]', "UTF-32", "UTF-8");
mb_ereg_search_init ($string, $regex);
$positions = array();
while ($r = mb_ereg_search_pos()) {
    $positions[] = reset($r)/4;
}
print_r($positions);

дает: 

Array
(
    [0] => 1
    [1] => 4
)

Вы также можете преобразовать двоичные позиции в позиции кодовых единиц. Для UTF-8 неоптимальная реализация: 

function utf8_byte_offset_to_unit($string, $boff) {
    $result = 0;
    for ($i = 0; $i < $boff; ) {
        $result++;
        $byte = $string[$i];
        $base2 = str_pad(
            base_convert((string) ord($byte), 10, 2), 8, "0", STR_PAD_LEFT);
        $p = strpos($base2, "0");
        if ($p == 0) { $i++; }
        elseif ($p <= 4) { $i += $p; }
        else  { return FALSE; }
    }
    return $result;
}
3 голосов
/ 27 февраля 2014

Существует простой обходной путь, который следует использовать после сопоставления результатов preg_match ().Вам нужно перебрать каждый результат матча и переназначить значение позиции следующим образом: 

$utfPosition = mb_strlen(substr($wholeSubjectString, 0, $capturedEntryPosition), 'utf-8');

Проверено на php 5.4 под Windows, зависит только от многобайтового расширения PHP.

0 голосов
/ 19 ноября 2014

Другой способ разделить UTF-8 $string по регулярному выражению - использовать функцию preg_split(). Вот мое рабочее решение: 

    $result = preg_split('~\[img/\d{1,}/img\]\s?~', $string, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);

PHP 5.3.17

0 голосов
/ 03 февраля 2010

PHP не очень хорошо поддерживает юникод, поэтому многие строковые функции, включая preg_ *, по-прежнему считают байты вместо символов.

Я пытался найти решение путем кодирования и декодирования строк, но в конечном итоге этовсе сводилось к функции preg_match_all.

Об элементе python: математический объект регулярного выражения python по умолчанию содержит позицию соответствия mo.start () и mo.end ().Смотри: http://docs.python.org/library/re.html#finding-all-adverbs-and-their-positions

...