Парсинг байтовой строки в PHP
Я хотел бы записать (HTML) синтаксический анализатор на основе конечного автомата, но у меня есть сомнения, как на самом деле читать/использовать вход. Я решил загрузить целый вход в одну строку и затем работать с ним как с массивом и содержать его индекс как текущее положение парсинга.
Не было бы никаких проблем с однобайтовым кодированием, но в многобайтовом кодировании каждого значения не представляет символ, но байт символа.
Пример:
$mb_string = 'žščř'; //4 multi-byte characters in UTF-8
for($i=0; $i < 4; $i++)
{
echo $mb_string[$i], PHP_EOL;
}
Выводы:
Ĺ
ž
Ĺ
Ą
Это означает, что я не могу выполнить итерации через строку в цикле для проверки отдельных символов, потому что я никогда не знаю, ли я посреди символа или нет.
Таким образом, вопросы:
- Как делают меня многобайтовое безопасное чтение отдельный символ от строки в производительности дружественный путь?
- Это - хорошая идея работать со строкой, поскольку это был массив в этом случае?
- Как Вы считали бы вход?
3 ответа
http://php.net/mb_string это то, что вы ' вы ищете
- только символы mb_substr один за другим
- не раньше PHP6
- , какой именно ввод? Обычный способ вообще
Без использования mdb_relatedFunctions а с многобайтовыми закодированными строками вы можете использовать стандартные функции подстроки, которые читаются в количестве, кратном байтам, используемым для кодирования.
Например, для строки в кодировке UTF-8 (2 байта), если вам нужен первый символ из строки
$string = 'žščř'; //4 multi-byte characters in UTF-8
Вы должны получить значения $ string [0] И $ string [1], так что вы на самом деле ищем подстроку между индексами 0 и 1 (для первого символа).
Обратите внимание, что $ string [0] или $ string [N] будет ссылаться на первый (или N-й байт многобайтовой строки)
с уважением,
mb_internal_encoding("UTF-8");
$mb_string = 'žščř';
$l=mb_strlen($mb_string);
for($i=0;$i<$l;$i++){
print(mb_substr($mb_string,$i,1)."<br/>");
}