Question

我正在尝试为网址创建slugs。

我有以下测试字符串：

$kw='Test-Tes-Te-T-Schönheit-Test';

我想从此字符串中删除少于三个字符的小字。

所以，我希望输出为

$kw='test-tes-schönheit-test';

我试过这段代码：

$kw = strtolower($kw);
$kw = preg_replace("/\b[^-]{1,2}\b/", "-",  $kw);
$kw = preg_replace('/-+/', '-', $kw);
$kw = trim($kw, '-');
echo $kw;

但结果是：

test-tes-sch-nheit-test

所以，德语字符ö正从字符串中删除和德语单词Schönheit被视为两个词。

请建议如何解决此问题。

非常感谢。

Answer 1

我假设你的字符串不是UTF-8。使用Umlauts / NON-ASCII字符和正则表达式，我认为，首先编码为UTF-8然后 - 使用u-modifier（unicode）应用正则表达式后 - 如果需要原始编码，再次解码（根据本地）。所以你要从：

开始

$kw = utf8_encode(strtolower($kw));

现在您可以使用regex-unicode功能。 \ p {L}用于字母，\ p {N}用于数字。如果您将所有字母和数字视为单词字符（由您决定），那么您的边界就会相反：

[^\p{L}\p{N}]

你想要所有的单词字符：

[\p{L}\p{N}]

如果之前有一个开始^或边界，你想要这个词。你可以使用积极的lookbehind：

(?<=[^\p{L}\p{N}]|^)

替换最多2个“单词字符”，后跟边界或结尾：

[\p{L}\p{N}]{1,2}([^\p{L}\p{N}]|$)

所以你的正则表达式看起来像这样：

'/(?<=[^\p{L}\p{N}]|^)[\p{L}\p{N}]{1,2}([^\p{L}\p{N}]|$)/u'

如果您愿意，可以解码到您的本地：

echo utf8_decode($kw);

祝你好运！罗伯特

Answer 2

\b字词边界超过ö，因为它不是字母数字字符。默认PCRE适用于ASCII字母。

输入字符串为UTF-8 / Latin-1。要处理其他非英文字母符号，请使用/u Unicode modifer：

$kw = preg_replace("/\b[^-]{1,2}\b/u", "-",  $kw);

我会使用preg_replace_callback或/e btw，而是搜索[A-Z]进行替换。并且strtr用于短划线，或仅[-+]+用于折叠连续的。