RegEx：快速删除非字母UTF-8安全

Question

我正在尝试删除PHP中除有效字母（来自任何语言）之外的所有内容。我一直在用这个：

$content=preg_replace('/[^\pL\p{Zs}]/u', '', $content);

但这很痛苦。比以下时间长约30倍：

$content=preg_replace('/[^a-z\s]/', '', $content);

我正在处理大量数据，因此使用慢速方法确实不可行。

有更快的方法吗？

Answer 1

嗯，这只是一个奇迹，它只会慢30倍，因为在检查某个代码点是否是一个字母时，它需要花费大约1000倍的字符而不仅仅是a-z。

那就是说，你可以改善你的正则表达式：

$content=preg_replace('/[^\pL\p{Zs}]+/u', '', $content);

应该通过将相邻的非字母/空格分隔符组合成一个单独的替换操作来加快速度。

Answer 2

您可以尝试使用带有--enable-jit选项的新PCRE 8.20版本。这将是JIT编译正则表达式并可能为您提高性能。