соответствие границ слова регулярного выражения php в utf-8
-
19-09-2019 - |
Вопрос
У меня есть следующий php-код в php-файле 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'));
Я бы хотел, чтобы последнее регулярное выражение заменяло только полные слова, а не части слов.
На моем компьютере с Windows он возвращает:
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)
На веб-сервере (linux) я получаю:
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"
Таким образом, регулярное выражение работает так, как я ожидал, в Windows, но не в Linux.
Итак, главный вопрос заключается в том, как я должен написать свое регулярное выражение, чтобы оно совпадало только по границам слов?
Второстепенный вопрос заключается в том, как я могу сообщить Windows, что я хочу использовать utf-8 в своем php-приложении.
Решение
Даже в режиме UTF-8 стандартные сокращения класса, такие как \w
и \b
не поддерживают Юникод.Вам просто нужно использовать сокращения в Юникоде, как вы уже выяснили, но вы можете сделать это немного менее уродливым, используя поисковые системы вместо чередований:
/(?<!\pL)weiß(?!\pL)/u
Обратите также внимание, что я убрал фигурные скобки из сокращений класса Unicode;вы можете сделать это, когда имя класса состоит из одной буквы.
Другие советы
вот что я нашел на данный момент.Переписав шаблоны поиска и замены следующим образом:
$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'));
Я получаю желаемый результат:
string 'weißbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)
как на моем компьютере с Windows, работающем под управлением apache, так и на размещенном веб-сервере Linux, работающем под управлением apache.
Я предполагаю, что есть какой-то лучший способ сделать это.
Кроме того, я все еще хотел бы настроить местоположение моего компьютера с Windows на utf-8.
Предполагаю, что это было связано с Ошибка #52971
PCRE-Мета-символы, подобные
\b
\w
не работает со строками в юникоде.
Расширение PCRE: Исправлена ошибка #52971 (PCRE-Мета-символы, не работающие с utf-8).
Согласно этот комментарий, это ошибка в PHP.Использует ли \W
вместо того , чтобы \b
принести какую-либо пользу?