Question

根据PHP manual，PCRE正则表达式的u修饰符可以为模式和主题字符串启用UTF-8支持。

考虑到这一点，使用带有u修饰符的PCRE表达式和相应的mb_*多字节字符串函数有什么区别吗？（假设所有字符串都是UTF-8编码的。）

例如，请考虑preg_split vs mb_split：两者

preg_split('/' . $pattern . '/u', $string);

和

mb_split($pattern, $string);

似乎返回相同的结果。那么，应该首选哪一个？它甚至重要吗？

Answer 1

主要区别在于preg_函数使用pcre library，mb_ereg_函数（包括mb_split）使用oniguruma library（之前在ruby中使用）版本2.0）。

主要原因是oniguruma可以处理多种编码（ASCII，UTF-8，UTF-16BE，UTF-16LE，UTF-32BE，UTF-32LE，EUC-JP，EUC-TW，EUC- KR，EUC-CN，Shift_JIS，Big5，GB18030，KOI8-R，CP1251，ISO-8859-1，ISO-8859-2，ISO-8859-3，ISO-8859-4，ISO-8859-5，ISO- 8859-6，ISO-8859-7，ISO-8859-8，ISO-8859-9，ISO-8859-10，ISO-8859-11，ISO-8859-13，ISO-8859-14，ISO-8859- 15，ISO-8859-16）当pcre不能。

请注意，mb_等mb_detect_encoding函数可用的大量编码不在此列表中（例如，UTF-7，ArmSCII-8，CP866）限制了mb_ereg_的相关性功能。 （因为您需要在处理之前将字符串转换为支持的编码，然后将其转换回来。）

两个正则表达式引擎或多或少具有相同的功能，但您可以找到一些差异（并非详尽无遗）：

Oniguruma不支持：

一个字母的unicode速记字符类，没有大括号。例如：\pN被视为pN，你需要写：\p{N}
unicode字符类：Xan，Xps，Xsp，Xwd
字符类中的非转义方括号：当pcre看到包含[][]和]

[

\K功能
换行符序列的\R别名
使用Python语法(?P<name>...)的命名组。仅允许(?<name>...)或(?'name'...)。
使用Oniguruma语法以外的其他内容进行分组引用：\g<name>（不允许使用Perl语法(?&name)和(?1)或(?R)。
回溯控制动词

PCRE不支持：

重复的命名组（默认情况下）。您需要使用(?J)修饰符来启用此功能。
使用\k<...>语法对后引用进行编号。您可以写\k<name>但不能\k<1>或\k<-1>。
对特定嵌套级别的反向引用。 Oniguruma能够使用\k<name+n>来做到这一点，其中n是巢级别。

为了使换行符与点匹配，当PCRE使用m修饰符时，Oniguruma使用s修饰符。在mb_ereg_函数中，默认情况下，点与新行匹配。（因此默认情况下m修饰符处于启用状态。）

PCRE使用s修饰符将换行符与点匹配。 m修饰符在PCRE中的行为有所不同，它改变了^和$锚点的含义来自＆＃34; start＆＃34;和＆＃34;结束＆＃34;字符串到＆＃34;开始＆＃34;和＆＃34;结束＆＃34;这条线。

使用Oniguruma，这些锚点的含义不会改变，它们始终匹配线条的起点和终点。为了匹配字符串的限制，它使用了PCRE也可以使用\A和\z。

请注意，Oniguruma已被分叉以提供Onigmo（在当前的Ruby版本中使用），它实现了更多的Perl功能和语法元素，而且更类似于PCRE。

Answer 2

只要您严格按照UTF-8工作，您就可以了。如果您使用其他charset，则建议使用mb_split()，因为带有PCRE的u修饰符不允许您指定charset，而是将字符串视为UTF-8。

关于缩放和长期可行性，我建议您从一开始就使用mb_split()，以便在未来使用UTF-8以外的其他内容时进行保护。

preg_split vs mb_split

2 个答案: