php 正则表达式 utf-8 中的单词边界匹配

Question

我在 utf-8 php 文件中有以下 php 代码：

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'));

我希望最后一个正则表达式仅替换完整单词而不是部分单词。

在我的 Windows 计算机上，它返回：

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)

在网络服务器（Linux）上，我得到：

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"

因此，正则表达式在 Windows 上按我的预期工作，但在 Linux 上却不行。

所以主要问题是，我应该如何编写正则表达式以仅在单词边界匹配？

第二个问题是我如何让 Windows 知道我想在我的 php 应用程序中使用 utf-8。

Answer 1

即使在 UTF-8 模式下，像 \w 和 \b 这样的标准类简写也不能识别 Unicode。正如您所解决的，您只需使用 Unicode 简写，但您可以通过使用环视而不是交替来使其不那么难看：

/(?<!\pL)weiß(?!\pL)/u

另请注意我如何将花括号从 Unicode 类简写中删除；当类名由单个字母组成时，您可以这样做。

Answer 2

猜测这与 Bug #52971 有关

PCRE 元字符如 \b \w 不适用于 unicode 字符串。

以及在 PHP 5.3.4 中已修复

PCRE 扩展：修复了 bug #52971（PCRE-Meta-Characters 不适用于 utf-8）。

Answer 3

这是我到目前为止所发现的。通过像这样重写搜索和替换模式：

$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'));

我得到了想要的结果：

string 'weißbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)

在运行 apache 的 Windows 计算机上和运行 apache 的托管 Linux Web 服务器上。

我认为有一些更好的方法可以做到这一点。

另外，我仍然想将我的 Windows 计算机的语言环境设置为 utf-8。

Answer 4

根据 此评论，这是一个错误PHP。使用 \W 代替 \b 有什么好处吗？