Question

我在utf-8 php文件中有以下php代码：

var_dump(setlocale(LC_CTYPE, 'de_DE.utf8', 'German_Germany.utf-8', 'de_DE', 'german'));
var_dump(mb_internal_encoding());
var_dump(mb_internal_encoding('utf-8'));
var_dump(mb_internal_encoding());
var_dump(mb_regex_encoding());
var_dump(mb_regex_encoding('utf-8'));
var_dump(mb_regex_encoding());
var_dump(preg_replace('/\bweiß\b/iu', 'weiss', 'weißbier'));

我希望最后一个正则表达式只替换完整的单词，而不是单词的一部分。

在我的Windows计算机上，它返回：

string 'German_Germany.1252' (length=19)
string 'ISO-8859-1' (length=10)
boolean true
string 'UTF-8' (length=5)
string 'EUC-JP' (length=6)
boolean true
string 'UTF-8' (length=5)
string 'weißbier' (length=9)

在网络服务器（linux）上，我得到：

string(10) "de_DE.utf8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(9) "weissbier"

因此，正则表达式的工作方式与我在Windows上的预期相同，但不适用于Linux。

所以主要的问题是，我应该如何编写我的正则表达式才能匹配字边界？

第二个问题是我如何让Windows知道我想在我的php应用程序中使用utf-8。

Answer 1

即使在UTF-8模式下，\w和\b等标准类缩写也不支持Unicode。你必须使用Unicode缩写，但是你可以通过使用lookarounds而不是替换来减少它的丑陋：

/(?<!\pL)weiß(?!\pL)/u

还要注意我是如何将大括号从Unicode类缩写中删除的;当类名由一个字母组成时，你可以这样做。

Answer 2

这是我到目前为止所发现的。通过重写搜索和替换模式，如下所示：

$before = '(^|[^\p{L}])';
$after = '([^\p{L}]|$)';
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weißbier'));
// Test some other cases:
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weiß'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weiß bier'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', ' weiß'));

我得到了想要的结果：

string 'weißbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)

在运行apache的Windows计算机上和运行apache的托管linux网络服务器上。

我认为有更好的方法可以做到这一点。

另外，我仍然想将我的Windows计算机设置为utf-8。

Answer 3

猜猜这与 Bug #52971

有关

PCRE-Meta-Characters，如\b \w，不使用unicode字符串。

和 fixed in PHP 5.3.4

PCRE扩展：修正了错误＃52971 （ PCRE-Meta-Characters无法使用utf-8 ）。

Answer 4

根据this comment，这是PHP中的一个错误。使用\W代替\b会有什么好处吗？

在utf-8中的php正则表达式字边界匹配

4 个答案: