右双引号标记上的PHP正则表达式错误

Question

我有一个函数可以从较长的字符串中找到并提取3个单词的“条带”到数组中。单词旁边的标点符号应包含在单词中（例如，后跟逗号的单词应被视为单个单词）。

在一个UTF-8字符 - 一个双权引号（U + 201D - “）上，除了之外的效果很好。

我在我的正则表达式中做错了什么，或者这是一个PHP错误？

正则表达式是：

$myarray = preg_match_all(
    "/(\S)*(\s)(\S)*(\s)(\S)*(\s)/",
    $incomingstring,
    $output, 
    PREG_PATTERN_ORDER);

奇怪的是，正则表达式没有Double Left 引号（U + 201C - “）或我试过的其他一些unicode字符的问题。

Answer 1

当被视为单字节字符时，“被视为0xE2,0x80,0x9D

同样，“变为0xE2,0x80,0x9C

区别在于那里的最后一个字节。在一种情况下，你得到0x9C，另一个得到0x9D。在Windows-1252编码中（这是常见的默认编码，通常错误标记为ISO-8859-1），0x9C为 - ，但未定义0x9D。这导致\S和\s出现不可预测的行为，导致您的正则表达式中断。

正如评论中最后指出的那样，解决方案是使用u修饰符告诉你的正则表达式使用UTF-8而不是单个字节。