在PHP中，将字符串拆分为Unicode字符数组的最佳方法是什么？如果输入不一定是UTF-8？
我想知道输入字符串中的Unicode字符集是否是另一个Unicode字符集的子集。
为什么不直接使用 mb_ 函数族，而前面几个答案没有使用它们？
8个回答
23
您可以在PCRE正则表达式中使用'u'修饰符；请参见“模式修饰符”（引用）：http://php.net/manual/en/reference.pcre.pattern.modifiers.php
希望这可以帮到你：-)
例如，考虑以下代码：u（PCRE8）
此修饰符打开了PCRE的附加功能，与Perl不兼容。将模式字符串视为UTF-8。此修饰符可从Unix上的PHP 4.1.0或更高版本以及win32上的PHP 4.2.3开始使用。自PHP 4.3.5以来，检查模式的UTF-8有效性。
header('Content-type: text/html; charset=UTF-8'); // So the browser doesn't make our lives harder
$str = "abc 文字化け, efg";
$results = array();
preg_match_all('/./', $str, $results);
var_dump($results[0]);
您将会得到一个无法使用的结果：
array
0 => string 'a' (length=1)
1 => string 'b' (length=1)
2 => string 'c' (length=1)
3 => string ' ' (length=1)
4 => string '�' (length=1)
5 => string '�' (length=1)
6 => string '�' (length=1)
7 => string '�' (length=1)
8 => string '�' (length=1)
9 => string '�' (length=1)
10 => string '�' (length=1)
11 => string '�' (length=1)
12 => string '�' (length=1)
13 => string '�' (length=1)
14 => string '�' (length=1)
15 => string '�' (length=1)
16 => string ',' (length=1)
17 => string ' ' (length=1)
18 => string 'e' (length=1)
19 => string 'f' (length=1)
20 => string 'g' (length=1)
但是，使用这段代码：
header('Content-type: text/html; charset=UTF-8'); // So the browser doesn't make our lives harder
$str = "abc 文字化け, efg";
$results = array();
preg_match_all('/./u', $str, $results);
var_dump($results[0]);
（注意正则表达式结尾处的 'u'）
你会得到你想要的：
array
0 => string 'a' (length=1)
1 => string 'b' (length=1)
2 => string 'c' (length=1)
3 => string ' ' (length=1)
4 => string '文' (length=3)
5 => string '字' (length=3)
6 => string '化' (length=3)
7 => string 'け' (length=3)
8 => string ',' (length=1)
9 => string ' ' (length=1)
10 => string 'e' (length=1)
11 => string 'f' (length=1)
12 => string 'g' (length=1)
希望这可以帮到你：-)
- Pascal MARTIN
1
14
稍微比
preg_match_all 简单：preg_split('//u', $str, -1, PREG_SPLIT_NO_EMPTY)
这将为您提供一个由字符组成的一维数组，无需使用匹配对象。
- mpen
1
这个答案是最有意义的，即逻辑上的目标是分割，我们不关心匹配每个字符（尽管在后台可能会这样做）。我本来要用你的解决方案回答这个问题，但有一个小区别：限制（第三个参数）可以使用
NULL而不是-1，因为“-1、0或NULL表示“没有限制”，并且与PHP中的标准相同，您可以使用NULL跳过标志参数。 - Armfoot8
值得一提的是，自PHP 7.4起，有一个内置函数mb_str_split可以完成此操作。
$chars = mb_str_split($str);
与preg_split('//u', $str)不同的是，此函数支持除UTF-8之外的其他编码。
- Ruby Tunaley
2
所以，让我们点赞这个答案。 :)
@joeforker，也许将这个答案标记为正确的？ - Patryk Godowski
这应该是“现代”的答案。它适用于“preg_split( '//u", $string, -1, PREG_SPLIT_NO_EMPTY)"无法解决的情况。 - scott8035
6
试试这个：
preg_match_all('/./u', $text, $array);
- JasonWoof
1
如果正则表达式的方式不够用，我曾经编写了一个被抛弃但可能会在您自行编写时有所帮助的 Zend_Locale_UTF8。
特别是看一下类Zend_Locale_UTF8_PHP5_String，它可以读取Unicode字符串并将其分割成单个字符(显然可能由多个字节组成)。
编辑: 我刚刚意识到ZF的svn浏览器已经崩溃了，所以我复制了重要的方法以供参考:
/**
* Returns the UTF-8 code sequence as an array for any given $string.
*
* @access protected
* @param string|integer $string
* @return array
*/
protected function _decode( $string ) {
$string = (string) $string;
$length = strlen($string);
$sequence = array();
for ( $i=0; $i<$length; ) {
$bytes = $this->_characterBytes($string, $i);
$ord = $this->_ord($string, $bytes, $i);
if ( $ord !== false )
$sequence[] = $ord;
if ( $bytes === false )
$i++;
else
$i += $bytes;
}
return $sequence;
}
/**
* Returns the UTF-8 code of a character.
*
* @see http://en.wikipedia.org/wiki/UTF-8#Description
* @access protected
* @param string $string
* @param integer $bytes
* @param integer $position
* @return integer
*/
protected function _ord( &$string, $bytes = null, $pos=0 )
{
if ( is_null($bytes) )
$bytes = $this->_characterBytes($string);
if ( strlen($string) >= $bytes ) {
switch ( $bytes ) {
case 1:
return ord($string[$pos]);
break;
case 2:
return ( (ord($string[$pos]) & 0x1f) << 6 ) +
( (ord($string[$pos+1]) & 0x3f) );
break;
case 3:
return ( (ord($string[$pos]) & 0xf) << 12 ) +
( (ord($string[$pos+1]) & 0x3f) << 6 ) +
( (ord($string[$pos+2]) & 0x3f) );
break;
case 4:
return ( (ord($string[$pos]) & 0x7) << 18 ) +
( (ord($string[$pos+1]) & 0x3f) << 12 ) +
( (ord($string[$pos+1]) & 0x3f) << 6 ) +
( (ord($string[$pos+2]) & 0x3f) );
break;
case 0:
default:
return false;
}
}
return false;
}
/**
* Returns the number of bytes of the $position-th character.
*
* @see http://en.wikipedia.org/wiki/UTF-8#Description
* @access protected
* @param string $string
* @param integer $position
*/
protected function _characterBytes( &$string, $position = 0 ) {
$char = $string[$position];
$charVal = ord($char);
if ( ($charVal & 0x80) === 0 )
return 1;
elseif ( ($charVal & 0xe0) === 0xc0 )
return 2;
elseif ( ($charVal & 0xf0) === 0xe0 )
return 3;
elseif ( ($charVal & 0xf8) === 0xf0)
return 4;
/*
elseif ( ($charVal & 0xfe) === 0xf8 )
return 5;
*/
return false;
}
- André Hoffmann
1
function str_split_unicode($str, $l = 0) {
if ($l > 0) {
$ret = array();
$len = mb_strlen($str, "UTF-8");
for ($i = 0; $i < $len; $i += $l) {
$ret[] = mb_substr($str, $i, $l, "UTF-8");
}
return $ret;
}
return preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY);
}
var_dump(str_split_unicode("لأآأئؤة"));
输出：
array (size=7)
0 => string 'ل' (length=2)
1 => string 'أ' (length=2)
2 => string 'آ' (length=2)
3 => string 'أ' (length=2)
4 => string 'ئ' (length=2)
5 => string 'ؤ' (length=2)
6 => string 'ة' (length=2)
- Hussein Feras
0
最佳分割方式：我刚刚修改了Laravel的
str_limit()函数。 public static function split_text($text, $limit = 100, $end = '')
{
$width=mb_strwidth($text, 'UTF-8');
if ($width <= $limit) {
return $text;
}
$res=[];
for($i=0;$i<=$width;$i=$i+$limit){
$res[]=rtrim(mb_strimwidth($text, $i, $limit, '', 'UTF-8')).$end;
}
return $res;
}
- Solivan
0
我能够使用mb_*编写一个解决方案，其中包括一次UTF-16的转换，以及回到原来的格式，可能是为了加快字符串索引的速度。
$japanese2 = mb_convert_encoding($japanese, "UTF-16", "UTF-8");
$length = mb_strlen($japanese2, "UTF-16");
for($i=0; $i<$length; $i++) {
$char = mb_substr($japanese2, $i, 1, "UTF-16");
$utf8 = mb_convert_encoding($char, "UTF-8", "UTF-16");
print $utf8 . "\n";
}
我在避免使用mb_internal_encoding并且只是在每个mb_*调用中指定所有内容时运气更好。我相信我最终会使用preg解决方案。
- joeforker
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接