Как получить правильную позицию списка в многобайтовой строке, используя preg_match

Я в настоящее время сопоставляю HTML, используя этот код:

preg_match('/<\/?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;/u', $html, $match, PREG_OFFSET_CAPTURE, $position)

Он идеально подходит ко всему, однако, если у меня есть многобайтовый символ, он возвращает его как 2 символа при возврате позиции.

Например возвращенный $match массив даст что-то вроде:

array
  0 => 
    array
      0 => string '<br />' (length=6)
      1 => int 132
  1 => 
    array
      0 => string 'br' (length=2)
      1 => int 133

Реальное число для <br /> match равен 128, но в нем 4 многобайтовых символа, поэтому он дает 132. Я действительно думал, что добавление модификатора /u поможет понять, что происходит, но не повезло.

Источник

3 ответа

Решение

Я посмотрел на это предложение от @Qtax:

UTF-8 символов в preg_match_all (PHP)

И еще для справки: эта ошибка появилась при использовании этого: усекать текст, содержащий HTML, игнорируя теги

Суть изменений заключается в следующем:

$orig_utf = 'UTF-8';
$new_utf  = 'UTF-32';

mb_regex_encoding( $new_utf );

$html     = mb_convert_encoding( $html, $new_utf, $orig_utf );
$end_char = mb_convert_encoding( $end_char, $new_utf, $orig_utf );


mb_ereg_search_init( $html );

$pattern = '</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;';
$pattern = mb_convert_encoding( $pattern, $new_utf, $orig_utf );

while ( $printed < $limit && $tag_match = mb_ereg_search_pos( $pattern, $html ) ) {

  $tag_position = $tag_match[0]/4;
  $tag_length   = $tag_match[1];
  $tag          = mb_substr( $html, $tag_position, $tag_length/4, $new_utf );
  $tag_name     = preg_replace( '/[\s<>\/]+/', '', $tag );

  // Print text leading up to the tag.
  $str = mb_substr($html, $position, $tag_position - $position, $new_utf );

  .......

}

Также в отношении усеченной HTML-страницы есть и другие необходимые изменения:

$first_char = mb_substr( $tag, 0, 1, $new_utf );

if ( $first_char == mb_convert_encoding( '&', $new_utf ) ) {
  ...
}

Мой текстовый редактор - UTF-8, поэтому, если бы я сравнивал 32 с амперсандом моего файла, он бы не работал.

Источник

Если вам нужно быстро исправить и не беспокоиться о скорости:

$mb_pos = mb_strlen( substr($string, 0, $pos) );
Источник

Вы смотрели в http://www.php.net/manual/en/function.mb-ereg.php?

Источник
Другие вопросы по тегам