php regex сопоставление границ слов в utf-8

у меня есть следующий php-код в файле php 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('/bweißb/iu', 'weiss', 'weißbier'));

Я хотел бы, 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: как мне написать регулярное выражение, чтобы оно соответствовало только границам слов?

A второстепенные вопросы - как я могу сообщить windows, что хочу использовать utf-8 в своем php-приложении.

11
pcre php regex utf-8 word-boundary

4 ответов

даже в режиме UTF-8, стандартные сокращения класса, такие как \w и \b не знают Unicode. Вам просто нужно использовать сокращения Unicode, как вы работали, но вы можете сделать его немного менее уродливым, используя lookarounds вместо чередований:

/(?<!\pL)weiß(?!\pL)/u

обратите внимание также, как я оставил фигурные скобки из сокращений класса Unicode; вы можете сделать это, когда имя класса состоит из одной буквы.

16

думаю, это было связано с ошибка #52971

PCRE-мета-символы, такие как \b \w не работает со строками unicode.

и исправлено в PHP 5.3.4

расширение PCRE:Исправлена ошибка #52971 (PCRE-Meta-символы не работают с utf-8).

4

вот что я нашел до сих пор. Переписывая шаблоны поиска и замены следующим образом:

$before = '(^|[^\p{L}])';
$after = '([^\p{L}]|$)';
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', 'weiss', 'weißbier'));
// Test some other cases:
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', 'weiss', 'weiß'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', 'weiss', 'weiß bier'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', 'weiss', ' weiß'));

Я получаю желаемый результат:

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

на моем компьютере с windows под управлением apache и на размещенном веб-сервере linux под управлением apache.

Я предполагаю, что есть лучший способ сделать это.

кроме того, я все еще хотел бы setlocale мой компьютер windows в utf-8.

3

по данным комментарий, это ошибка в PHP. Делает использование \W вместо \b дать какую-либо выгоду?

0