UTF-8 characters in preg_match_all (PHP)

Я имею preg_match_all('/[aäeëioöuáéíóú]/u', $in, $out, PREG_OFFSET_CAPTURE);

Если $in = 'hëllo'$out является:

array(1) {
[0]=>
  array(2) {
  [0]=>
    array(2) {
      [0]=>
      string(2) "ë"
  [1]=>
  int(1)
}
[1]=>
array(2) {
  [0]=>
  string(1) "o"
  [1]=>
  int(5)
  }
}
}

Положение o should be 4. I've read about this problem online (the ë gets counted as 2). Есть ли решение для этого? я видел mb_substr and similar, but is there something like this for preg_match_all?

Kind of related: Is their an equivalent of preg_match_all в питоне? (Returning an array of matches with their position in the string)

Источник

4 ответа

Решение

PHP не очень хорошо поддерживает юникод, поэтому многие строковые функции, включая preg_*, по-прежнему считают байты вместо символов.

Я пытался найти решение путем кодирования и декодирования строк, но в конечном итоге все сводилось к функции preg_match_all.

О Python: математический объект регулярного выражения Python содержит позицию соответствия по умолчанию mo.start() и mo.end(). Смотрите: http://docs.python.org/library/re.html

Источник

Это не ошибка, PREG_OFFSET_CAPTURE относится к смещению байта символа в строке.

mb_ereg_search_pos ведет себя так же. Одна возможность состоит в том, чтобы изменить кодировку до UTF-32 и затем разделить позицию на 4 (потому что все единицы кода Unicode представлены как 4-байтовые последовательности в UTF-32):

mb_regex_encoding("UTF-32");
$string = mb_convert_encoding('hëllo', "UTF-32", "UTF-8");
$regex =  mb_convert_encoding('[aäeëioöuáéíóú]', "UTF-32", "UTF-8");
mb_ereg_search_init ($string, $regex);
$positions = array();
while ($r = mb_ereg_search_pos()) {
    $positions[] = reset($r)/4;
}
print_r($positions);

дает:

массив
(
    [0] => 1
    [1] => 4)

Вы также можете конвертировать двоичные позиции в позиции кодовых единиц. Для UTF-8 неоптимальная реализация:

function utf8_byte_offset_to_unit($string, $boff) {
    $result = 0;
    for ($i = 0; $i < $boff; ) {
        $result++;
        $byte = $string[$i];
        $base2 = str_pad(
            base_convert((string) ord($byte), 10, 2), 8, "0", STR_PAD_LEFT);
        $p = strpos($base2, "0");
        if ($p == 0) { $i++; }
        elseif ($p <= 4) { $i += $p; }
        else  { return FALSE; }
    }
    return $result;
}
Источник

Существует простой обходной путь, который следует использовать после сопоставления результатов preg_match(). Вам нужно перебрать каждый результат матча и переназначить значение позиции следующим образом:

$utfPosition = mb_strlen(substr($wholeSubjectString, 0, $capturedEntryPosition), 'utf-8');

Протестировано на php 5.4 под Windows, зависит только от многобайтового расширения PHP.

Источник

Еще один способ расколоть UTF-8 $string регулярным выражением является использование функции preg_split(), Вот мое рабочее решение:

    $result = preg_split('~\[img/\d{1,}/img\]\s?~', $string, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);

PHP 5.3.17

Источник
Другие вопросы по тегам