我正在尝试实现适用于亚洲字符的str_word_count()
版本。但是,我不知道如何在给定的UTF-8字符串中分隔单字节和多字节字符。我将使用哪些函数来查找字符串中的多字节字符?
例如,我可能希望沿着单字节和多字节字符之间的边界拆分字符串。
'Test中国test中国' => array('Test','中国','test','中国');
我该怎么做?
答案 0 :(得分:0)
有许多功能可以做到这一点,特别是Multibyte String Functions
,但重要的是要注意所有多字节字符都算作1.这里有几个例子:
$str_en = "test";
$str_ch = '中国';
echo $str_en . " " . (str_word_count($str_en)) . " word(s)" . "\n";
echo $str_ch . " " . (mb_strlen($str_ch,'utf8')) . " word(s)" . "\n";
echo mb_strlen($str_ch,'utf8') + str_word_count($str_en) . " word(s) total";
输出:
test 1 word(s)
中国 2 word(s)
3 word(s) total
上面的示例使用mb_strlen
,而下一个示例使用preg_match
来检测循环遍历数组时的非ascii字符。
$var = array('Test','中国','test','中国');
foreach($var as $char) {
if (preg_match('/[\x80-\xFF]/', $char, $match)) {
echo $char . " - " . mb_detect_encoding($char) . " - " . str_word_count($char) . "word(s) \n";
/* Detect character encoding with current detect_order */
} else {
/* Detect character encoding with current detect_order */
echo $char . " - " . mb_detect_encoding($char) . " - " . str_word_count($char) . "word(s) \n";
}
}
print_r($ match)。 " \ n&#34 ;; //仅显示匹配的非ascii字符
输出:
Test - ASCII - 1 word(s)
中国 - UTF-8 - 2 word(s)
test - ASCII - 1 word(s)
中国 - UTF-8 - 2 word(s)