php palavra regex correspondência fronteira em utf-8
-
19-09-2019 - |
Pergunta
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.
Solução
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.
Outras dicas
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.
acho que isso estava relacionado com Bug # 52971
PCRE-Meta-Personagens como
\b
\w
não trabalham com strings unicode.
extensão PCRE: Corrigido o erro # 52971 ( PCRE-Meta-caracteres não trabalham com utf-8 )
.
De acordo com a este comentário , que é um bug no PHP. Será que usando \W
vez de \b
dar qualquer benefício?