php palavra regex correspondência fronteira em utf-8

Question

Eu tenho o seguinte código PHP em um arquivo php utf-8:

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'));

Gostaria que a última regex para substituir somente palavras inteiras e não partes de palavras.

No meu computador janelas, ele retorna:

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)

No webserver (linux), eu recebo:

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"

Assim, a regex funciona como eu esperava no Windows, mas não no Linux.

Assim, a principal questão é: como devo escrever meu regex para corresponder apenas a limites de palavra?

Um questões secundárias é como eu posso deixar janelas sabe que eu quero usar utf-8 no meu aplicativo php.

Answer 1

Mesmo no modo UTF-8, shorthands classe padrão como \w e \b não são Unicode-aware. Você apenas tem que usar os atalhos Unicode, como você trabalhou fora, mas você pode torná-lo um pouco menos feio usando lookarounds vez de alternâncias:

/(?<!\pL)weiß(?!\pL)/u

Observe também como eu deixei as chaves fora dos atalhos classe Unicode; você pode fazer isso quando o nome da classe consiste de uma única letra.

Answer 2

aqui é o que eu encontrei até agora. Reescrevendo os padrões de pesquisa e substituição como esta:

$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'));

Eu recebo o resultado queria:

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

em ambos meu computador Windows com o apache e no linux hospedado servidor web rodando Apache.

Eu assumo há alguma maneira melhor de fazer isso.

Além disso, eu ainda gostaria de setlocale meu computador janelas para utf-8.

Answer 3

acho que isso estava relacionado com Bug # 52971

PCRE-Meta-Personagens como \b \w não trabalham com strings unicode.

e corrigido no PHP 5.3.4

extensão PCRE: Corrigido o erro # 52971 ( PCRE-Meta-caracteres não trabalham com utf-8 )

.

Answer 4

De acordo com a este comentário , que é um bug no PHP. Será que usando \W vez de \b dar qualquer benefício?