preg_match_all (PHP) 中的 UTF-8 字符

Question

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

如果 $in = 'hëllo' $out 是：

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)
  }
}
}

o 的位置应该是 4。我在网上读到过这个问题（ë 被算作 2）。有解决办法吗？我见过 mb_substr 和类似的，但是 preg_match_all 有类似的东西吗？

有点相关：它们相当于 Python 中的 preg_match_all 吗？ （返回匹配数组及其在字符串中的位置）

Answer 1

这不是一个错误，PREG_OFFSET_CAPTURE指的是字符串中字符的字节偏移量。

mb_ereg_search_pos 的行为方式相同。一种可能性是先将编码更改为 UTF-32，然后将位置除以 4（因为所有 unicode 代码单元在 UTF-32 中都表示为 4 字节序列）：

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);

给出：

Array
(
    [0] => 1
    [1] => 4
)

您还可以将二进制位置转换为代码单元职位。对于 UTF-8，次优实现是：

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;
}

Answer 2

有一个简单的解决方法，可以在 preg_match() 结果匹配后使用。您需要迭代每个匹配结果并使用以下命令重新分配位置值：

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

在 Windows 下的 php 5.4 上测试，仅依赖于多字节 PHP 扩展。

Answer 3

PHP 不太支持 unicode，因此许多字符串函数（包括 preg_*）仍然计算字节而不是字符。

我尝试通过对字符串进行编码和解码来找到解决方案，但最终一切都归结为 preg_match_all 函数。

关于Python的事情：Python正则表达式匹配对象默认包含匹配位置mo.start()和mo.end()。请参阅：http://docs.python。 org/library/re.html#finding-all-adverbs-and-their-positions

Answer 4

通过正则表达式分割 UTF-8 $string 的另一种方法是使用函数 preg_split()。这是我的工作解决方案：

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

PHP 5.3.17