php regex граничное соответствие слова в utf-8
У меня есть следующий код php в utf-8 php файл:
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'));
Я хотел бы, чтобы последний regex заменил только полные слова и не части слов.
На моем компьютере окон это возвращается:
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 добираюсь:
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 regex работает, как я ожидал на окнах, но не на Linux.
Таким образом, основной вопрос, как я должен записать свой regex, чтобы только соответствовать на границах слова?
Вопросы вторичного устройства состоят в том, как я могу позволить окнам знать, что я хочу использовать utf-8 в своем php приложении.
3 ответа
Даже в режиме UTF-8 стандартные сокращения классов, такие как \ w и \ b , не являются Unicode- осведомленный. Вам просто нужно использовать сокращения Unicode, как вы разработали, но вы можете сделать его немного менее уродливым, используя поисковые пути вместо чередования:
/(?<!\pL)weiß(?!\pL)/u
Обратите также внимание на то, как я исключил фигурные скобки из сокращений класса Unicode; это можно сделать, если имя класса состоит из одной буквы.
вот что я нашел на данный момент. Переписав шаблоны поиска и замены следующим образом:
$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'));
Я получаю желаемый результат:
string 'weißbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)
как на моем компьютере с Windows, на котором запущен apache, так и на размещенном веб-сервере linux, на котором запущен apache.
Я полагаю, что есть способ сделать это лучше.
Кроме того, я все еще хотел бы установить для моего компьютера Windows локальную настройку utf-8.
Согласно этому комментарию, это ошибка в PHP. Дает ли использование \W вместо \b какое-либо преимущество?