preg_split与mb_split比较

Question

根据PHP手册，PCRE正则表达式的u修饰符可以为模式和主题字符串启用UTF-8支持。

考虑到这一点，使用带有u修饰符的PCRE表达式和相应的mb_*多字节字符串函数之间是否有任何区别？（假设所有字符串都是UTF-8编码。）

---

例如，考虑preg_split与mb_split：两者均可用于分割字符串。

preg_split('/' . $pattern . '/u', $string);

并且

mb_split($pattern, $string);

它们似乎返回相同的结果。那么，哪一个应该优先使用？甚至有必要吗？

- emkey08

---

我会说这基本上和比较preg_match和strpos用于静态字符串搜索是一样的。 - Niet the Dark Absol

为什么 strpos 不支持正则表达式呢？或者我对此有误解吗？ - emkey08

当字符串是常量而不是正则表达式时，使用静态字符串搜索。 - Niet the Dark Absol

@NiettheDarkAbsol preg_split / mb_split 都是用于正则表达式的，所以我不理解 preg_match / strpos 的类比。 - fusion3k

哦。糟糕。那就不理我吧。 - Niet the Dark Absol

Answer 1

主要区别在于preg_函数使用pcre库，而mb_ereg_函数（包括mb_split）使用oniguruma库（用于ruby 2.0之前的版本）。

The main reason is that oniguruma can deal with multiple encodings (ASCII, UTF-8, UTF-16BE, UTF-16LE, UTF-32BE, UTF-32LE, EUC-JP, EUC-TW, EUC-KR, EUC-CN, Shift_JIS, Big5, GB18030, KOI8-R, CP1251, ISO-8859-1, ISO-8859-2, ISO-8859-3, ISO-8859-4, ISO-8859-5, ISO-8859-6, ISO-8859-7, ISO-8859-8, ISO-8859-9, ISO-8859-10, ISO-8859-11, ISO-8859-13, ISO-8859-14, ISO-8859-15, ISO-8859-16) when pcre can't.

Note that a lot of encodings available for mb_ functions like mb_detect_encoding are not in this list (UTF-7, ArmSCII-8, CP866 for example) limiting the relevance of mb_ereg_ functions. (Since you need to convert the string to a supported encoding before working on it, and to convert it back after.)

这两个正则表达式引擎基本上具有相同的功能，但仍然存在一些差异（并非详尽无遗）：

Oniguruma 不支持：

• 单字节Unicode简写字符类的书写方式不需要花括号。例如：\pN应被视为pN，您需要写成：\p{N}
• Unicode字符类：Xan、Xps、Xsp、Xwd
• 字符类中的非转义方括号：Oniguruma将[][]视为两个空字符类，而PCRE则将其视为包含]和[的字符类
• \K特性
• \R代表换行序列
• 使用Python语法(?P<name>...)的命名组。只允许使用(?<name>...)或(?'name'...)
• 除了Oniguruma语法之外的组引用：\g<name>（不允许Perl语法(?&name)、(?1)或(?R)）
• 回溯控制动词

PCRE不支持：

• 默认情况下，会出现重复的命名组。您需要使用(?J)修饰符来开启此功能。
• 使用\k<...>语法进行编号的反向引用。您可以编写\k<name>但不能编写\k<1>或\k<-1>。
• 对于特定嵌套级别的反向引用，Oniguruma能够使用\k<name+n>，其中n是嵌套级别。

为了匹配点与换行符，Oniguruma使用m修饰符，而PCRE使用s修饰符。 在mb_ereg_函数中，默认情况下，点与换行符匹配。（因此，m修饰符默认开启）。

PCRE使用s修饰符来匹配换行符与点号。在PCRE中，m修饰符的行为不同，它将^和$锚从字符串的“开头”和“结尾”更改为行的“开头”和“结尾”。

使用Oniguruma时，这些锚的含义不会改变，它们始终匹配行的开头和结尾。为了匹配字符串的限制，它还使用\A和\z，这也可用于PCRE。

请注意，Oniguruma已被分叉为Onigmo（用于当前的Ruby版本），它实现了更多的Perl功能和语法元素，并且更类似于PCRE。

- Casimir et Hippolyte

Answer 2

只要您严格使用 UTF-8，则两者都可以。如果您使用其他 charset，则建议使用 mb_split()，因为 PCRE 的 u 修饰符不允许您指定 charset，而是将字符串视为 UTF-8。

关于扩展性和长期可行性，我建议从一开始就使用 mb_split()，这样在需要使用或使用除 UTF-8 以外的内容时，您也会得到保障。

- Cale W. Vernon

---

你是不是指的是 mb_split 而不是 preg_split？你可以使用 mb_regex_encoding 来设置编码，然后再使用 mb_* 函数。 - emkey08