在PHP中,将字符串拆分为Unicode字符数组的最佳方法是什么?如果输入不一定是UTF-8?
我想知道输入字符串中的Unicode字符集是否是另一组Unicode字符的子集。
为什么不直接参加mb_
系列函数,因为前几个答案没有?
答案 0 :(得分:16)
您可以将'u'修饰符与PCRE正则表达式一起使用;见Pattern Modifiers(引用):
你是(PCRE8)这个修饰符会打开另外一个 PCRE的功能是 与Perl不兼容。图案 字符串被视为UTF-8。这个 修饰符可从PHP 4.1.0获得 在Unix和PHP 4.2.3上更高或更高 在win32上。 UTF-8的有效期 从PHP 4.3.5开始检查模式。
例如,考虑这段代码:
header('Content-type: text/html; charset=UTF-8'); // So the browser doesn't make our lives harder
$str = "abc 文字化け, efg";
$results = array();
preg_match_all('/./', $str, $results);
var_dump($results[0]);
您将获得无法使用的结果:
array
0 => string 'a' (length=1)
1 => string 'b' (length=1)
2 => string 'c' (length=1)
3 => string ' ' (length=1)
4 => string '�' (length=1)
5 => string '�' (length=1)
6 => string '�' (length=1)
7 => string '�' (length=1)
8 => string '�' (length=1)
9 => string '�' (length=1)
10 => string '�' (length=1)
11 => string '�' (length=1)
12 => string '�' (length=1)
13 => string '�' (length=1)
14 => string '�' (length=1)
15 => string '�' (length=1)
16 => string ',' (length=1)
17 => string ' ' (length=1)
18 => string 'e' (length=1)
19 => string 'f' (length=1)
20 => string 'g' (length=1)
但是,使用此代码:
header('Content-type: text/html; charset=UTF-8'); // So the browser doesn't make our lives harder
$str = "abc 文字化け, efg";
$results = array();
preg_match_all('/./u', $str, $results);
var_dump($results[0]);
(请注意正则表达式末尾的'u')
你得到了你想要的东西:
array
0 => string 'a' (length=1)
1 => string 'b' (length=1)
2 => string 'c' (length=1)
3 => string ' ' (length=1)
4 => string '文' (length=3)
5 => string '字' (length=3)
6 => string '化' (length=3)
7 => string 'け' (length=3)
8 => string ',' (length=1)
9 => string ' ' (length=1)
10 => string 'e' (length=1)
11 => string 'f' (length=1)
12 => string 'g' (length=1)
希望这会有所帮助: - )
答案 1 :(得分:9)
比preg_match_all
稍微简单:
preg_split('//u', $str, -1, PREG_SPLIT_NO_EMPTY)
这会返回一个1维字符数组。不需要匹配对象。
答案 2 :(得分:6)
试试这个:
preg_match_all('/./u', $text, $array);
答案 3 :(得分:2)
值得一提的是,自PHP 7.4起,有一个内置函数mb_str_split可以做到这一点。
$chars = mb_str_split($str);
答案 4 :(得分:1)
如果由于某种原因,正则表达方式对你来说还不够。我曾写过Zend_Locale_UTF8
被遗弃但如果你自己决定这样做可能会帮助你。
特别要看看类Zend_Locale_UTF8_PHP5_String
,它读取Unicode字符串并使用它们将它们分成单个字符(显然可能由多个字节组成)。
修改强>: 我只是认为ZF的svn浏览器已关闭,所以为了方便我复制了重要的方法:
/**
* Returns the UTF-8 code sequence as an array for any given $string.
*
* @access protected
* @param string|integer $string
* @return array
*/
protected function _decode( $string ) {
$string = (string) $string;
$length = strlen($string);
$sequence = array();
for ( $i=0; $i<$length; ) {
$bytes = $this->_characterBytes($string, $i);
$ord = $this->_ord($string, $bytes, $i);
if ( $ord !== false )
$sequence[] = $ord;
if ( $bytes === false )
$i++;
else
$i += $bytes;
}
return $sequence;
}
/**
* Returns the UTF-8 code of a character.
*
* @see http://en.wikipedia.org/wiki/UTF-8#Description
* @access protected
* @param string $string
* @param integer $bytes
* @param integer $position
* @return integer
*/
protected function _ord( &$string, $bytes = null, $pos=0 )
{
if ( is_null($bytes) )
$bytes = $this->_characterBytes($string);
if ( strlen($string) >= $bytes ) {
switch ( $bytes ) {
case 1:
return ord($string[$pos]);
break;
case 2:
return ( (ord($string[$pos]) & 0x1f) << 6 ) +
( (ord($string[$pos+1]) & 0x3f) );
break;
case 3:
return ( (ord($string[$pos]) & 0xf) << 12 ) +
( (ord($string[$pos+1]) & 0x3f) << 6 ) +
( (ord($string[$pos+2]) & 0x3f) );
break;
case 4:
return ( (ord($string[$pos]) & 0x7) << 18 ) +
( (ord($string[$pos+1]) & 0x3f) << 12 ) +
( (ord($string[$pos+1]) & 0x3f) << 6 ) +
( (ord($string[$pos+2]) & 0x3f) );
break;
case 0:
default:
return false;
}
}
return false;
}
/**
* Returns the number of bytes of the $position-th character.
*
* @see http://en.wikipedia.org/wiki/UTF-8#Description
* @access protected
* @param string $string
* @param integer $position
*/
protected function _characterBytes( &$string, $position = 0 ) {
$char = $string[$position];
$charVal = ord($char);
if ( ($charVal & 0x80) === 0 )
return 1;
elseif ( ($charVal & 0xe0) === 0xc0 )
return 2;
elseif ( ($charVal & 0xf0) === 0xe0 )
return 3;
elseif ( ($charVal & 0xf8) === 0xf0)
return 4;
/*
elseif ( ($charVal & 0xfe) === 0xf8 )
return 5;
*/
return false;
}
答案 5 :(得分:1)
function str_split_unicode($str, $l = 0) {
if ($l > 0) {
$ret = array();
$len = mb_strlen($str, "UTF-8");
for ($i = 0; $i < $len; $i += $l) {
$ret[] = mb_substr($str, $i, $l, "UTF-8");
}
return $ret;
}
return preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY);
}
var_dump(str_split_unicode("لأآأئؤة"));
输出:
array (size=7)
0 => string 'ل' (length=2)
1 => string 'أ' (length=2)
2 => string 'آ' (length=2)
3 => string 'أ' (length=2)
4 => string 'ئ' (length=2)
5 => string 'ؤ' (length=2)
6 => string 'ة' (length=2)
答案 6 :(得分:0)
我能够使用mb_*
编写一个解决方案,包括一次UTF-16之旅,并回到可能是愚蠢的尝试来加速字符串索引:
$japanese2 = mb_convert_encoding($japanese, "UTF-16", "UTF-8");
$length = mb_strlen($japanese2, "UTF-16");
for($i=0; $i<$length; $i++) {
$char = mb_substr($japanese2, $i, 1, "UTF-16");
$utf8 = mb_convert_encoding($char, "UTF-8", "UTF-16");
print $utf8 . "\n";
}
我最好避免mb_internal_encoding
,并在每次mb_*
来电时指定所有内容。我相信我最终会使用preg
解决方案。
答案 7 :(得分:0)
分割长度的最佳方式:我刚刚更改了laravel str_limit()
函数:
public static function split_text($text, $limit = 100, $end = '')
{
$width=mb_strwidth($text, 'UTF-8');
if ($width <= $limit) {
return $text;
}
$res=[];
for($i=0;$i<=$width;$i=$i+$limit){
$res[]=rtrim(mb_strimwidth($text, $i, $limit, '', 'UTF-8')).$end;
}
return $res;
}