正则表达式匹配以unicode字符开头的单词会返回意外结果

Question

我想在上下文中检查“açilek”这个词的存在。运行这个：

$word = 'açilek';
$article='elma  and  açilek word';
$mat=preg_match('/\b'. $word .'\b/', $article);
var_dump($mat);

成功。这是预料之中的。但是，要匹配单词'çilek'，代码将返回False，这是不期望的：

$word = 'çilek';
$article='elma  and  çilek word';
$mat=preg_match('/\b'. $word .'\b/', $article);
var_dump($mat); //returns false !!!!

此外，如果它是单词的一部分，它将匹配此单词，也是意外的：

$word = 'çilek';
$article='elma  and  açilek word';
$mat=preg_match('/\b'. $word .'\b/', $article);
var_dump($mat); //returns true !!!!

为什么我会看到这种行为？

Answer 1

请注意，如果您不提供“u”开关，则PCRE引擎不会看到UTF8 字符模式/元字符（并且很可能会破坏匹配），如下所示：

http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php

$mat=preg_match('/\b'. $word .'\b/u', $article);

Answer 2

您需要使用/u修饰符来使正则表达式（尤其是\b）识别Unicode：

$mat=preg_match('/\b'. $word .'\b/u', $article);

否则，\b仅将ASCII字母数字和ASCII非字母之间的位置视为字边界，因此在a和çilek之间匹配，但在 和{{之间不匹配1}}。