以UTF-8的PHP正则表达式字边界匹配

Question

我有一个UTF-8 PHP文件下面的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'));

我想最后的正则表达式来代替唯一的全词和不字的部分。

在我的窗户计算机，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）的，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，正则表达式可以作为我预期窗口，但不在Linux上。

所以，主要的问题是，应该如何我写我的正则表达式来仅在匹配单词边界？

一个次要的问题是我怎么可以让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，像\w和\b标准类速记不是Unicode感知。你只需要使用Unicode速记，为你工作了，但你可以把它少一点丑陋使用，而不是交替lookarounds：

/(?<!\pL)weiß(?!\pL)/u

注意我也如何离开大括号出的Unicode类速记的;你可以这样做，当类名由单个字母。

Answer 2

这里是我迄今发现的。通过重写搜索和替换模式是这样的：

$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)

这是我的两个窗口的电脑上运行的Apache和托管的Linux Web服务器上运行的Apache。

我认为有一些更好的方式来做到这一点。

另外，我仍然想我的Windows计算机的setLocale成UTF-8。

Answer 3

猜测这是有关的 错误＃52971

  

PCRE-元字符像\b \w不与Unicode字符串工作。

和 固定在PHP 5.3.4

  

PCRE扩展名：的修正了＃52971 （ PCRE-元字符不使用UTF-8的工作）

Answer 4

根据此评论时，即在PHP中的错误。是否使用\W代替\b给任何好处？