Question

在PHP diacritics之前和之后字母生成单词边界（\b），这不是所希望的行为。其他编程语言是否正常？（我知道大多数语言都有\b和\w的问题）我应该如何有效地解决这个问题？

从Unicode角度来看哪个Unicode类别会产生单词边界？

这是一个例子：

<?php
 preg_match_all('#\bج\b#u','مَجْل',$t); // the font of this site does not display diacritics
var_dump($t);

Answer 1

在PCRE中：

\ d \ p {Nd}匹配的任何字符（十进制数字）

\ s \ p {Z}匹配的任何字符，加上HT，LF，FF，CR

\ w \ p {L}或\ p {N}匹配的任何字符，加上下划线

根据\w定义，您可以在Unicode模式下推断\b定义。因此，即使对于字符串Åström（分解的字符），逻辑具有两个字边界，也会检测到多个字边界*A*̊*stro*̈*m*。

Answer 2

这只是一种解决方法：

preg_match_all('#(\p{M}*\p{Arabic}*\p{M}*)*ج(\p{M}*\p{Arabic}*\p{M}*)*#u','مَجْل جميل testجواد',$t); // the font of this site does not display diacritics
print_r(array_filter(array_map('array_filter', $t)));

输出：

Array
(
    [0] => Array
        (
            [0] => مَجْل
            [1] => جميل
            [2] => جواد
        )

)

我发现\p{M}将匹配 teshkil ，而\p{Arabic}将匹配阿拉伯字母。

PHP中的单词边界

2 个答案: