PHP：在UTF-8字符串中用最接近的7位ASCII等效字符替换umlauts

Question

我想做的是从字符串中删除所有重音符号和分音符号，把"lärm"转换为"larm"或"andré"转换为"andre"。我尝试的方法是对字符串进行utf8_decode，然后在上面使用strtr，但由于我的源文件保存为UTF-8文件，我无法输入ISO-8859-15字符以处理所有的分音符号 - 编辑器会插入UTF-8字符。

显然，解决此问题的方法是使用一个包含ISO-8859-15文件的include，但肯定有比需要另一个必需的include更好的方法吧？

echo strtr(utf8_decode($input), 
           'ŠŒŽšœžŸ¥µÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýÿ',
           'SOZsozYYuAAAAAAACEEEEIIIIDNOOOOOOUUUUYsaaaaaaaceeeeiiiionoooooouuuuyy');

更新: 或许我在表达我的意图时有些不准确：我并不是真的想要删除umlauts，而是要用它们最接近的“一个字符ASCII等效字符”来替换它们。

- BlaM

---

请记住，你生成的字符串不一定与原始字符串具有相同的含义，正如在这个类似的问题中所讨论的那样。这是一个可用的方法来清理文件名，但如果您计划将新字符串显示为文本，那么这可能不是您想要做的事情。 - Dave DuPlantis

谢谢你的提示。然而，如果“二分查找”失败，生成的字符串将用作搜索的简化版本回退。在此之后，还将应用更多简化-以使文盲仍然能够找到他们要找的内容 :) - BlaM

实际上，对于显示字符来说，确实有一个有效的理由。生成符合HTML 4.1标准的导航菜单id属性。例如，如果我有<h3>Für Elise</h3>并且我想在它上面生成一个id锚点，<a id="FurElise" />是我能做到的最好的，并且仍然符合html 4.1标准，这可能对一些旧浏览器很必要。 - Alice Wonder

Answer 1

iconv("utf-8","ascii//TRANSLIT",$input);

扩展示例

- Vinko Vrsalovic

---

我不得不添加 "setlocale(LC_ALL, 'en_US');"（遗憾的是我机器上似乎没有德国区域设置可用 :( ），但这样它就能正常工作了。太好了！ :) - BlaM

为什么这个解决方案在我的电脑上把 "ö" 转换成了 "o"，而在 php 参考手册 的示例中它会返回 "oe"？ - spikey

对于西里尔字母，此方法不起作用。它们会被转换成问号?代替。 - Zebooka

这个值为false，导致程序崩溃，并提示我遇到了非法字符。 - Matt

回复Spikey的评论：如果您将区域设置设置为de_*.UTF8（例如de_DE.UTF8，de_CH.UTF8等），那么会将umlauts转换为*e（ü->ue）。将其设置为en_US.UTF8以获得所需的效果。 - Michał Leon

Answer 2

一个小技巧，不需要设置区域设置或拥有巨大的翻译表：

function Unaccent($string)
{
    if (strpos($string = htmlentities($string, ENT_QUOTES, 'UTF-8'), '&') !== false)
    {
        $string = html_entity_decode(preg_replace('~&([a-z]{1,2})(?:acute|cedil|circ|grave|lig|orn|ring|slash|tilde|uml);~i', '$1', $string), ENT_QUOTES, 'UTF-8');
    }

    return $string;
}

它正常工作的唯一要求是将文件保存为UTF-8（如您应该已经这样做）。

- Alix Axel

---

非常适合匈牙利语。 - vinczemarton

Answer 3

你可以尝试这个。

$string = "Fóø Bår";
$transliterator = Transliterator::createFromRules(':: Any-Latin; :: Latin-ASCII; :: NFD; :: [:Nonspacing Mark:] Remove; :: Lower(); :: NFC;', Transliterator::FORWARD);
echo $normalized = $transliterator->transliterate($string);

但是您需要安装http://php.net/manual/zh/book.intl.php

，才能使用相关的IT技术。

- gabo

Answer 4

如果您正在使用WordPress，可以使用内置函数remove_accents( $string )。

https://codex.wordpress.org/Function_Reference/remove_accents

然而我注意到一个错误：它不能处理只有一个字符的字符串。

- youtag

---

尽管这并不是一个确切的答案，但我很感激这个答案，因为我正在使用WordPress。所以谢谢！;) - Vladan

Answer 5

好的，我自己找到了一个显而易见的解决方案，但是它在性能方面并不是最好的选择...

echo strtr(utf8_decode($input), 
           utf8_decode('ŠŒŽšœžŸ¥µÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýÿ'),
           'SOZsozYYuAAAAAAACEEEEIIIIDNOOOOOOUUUUYsaaaaaaaceeeeiiiionoooooouuuuyy');

- BlaM

---

它在性能方面并不是最好的，而且还会产生错误的结果。像Œ、Æ等字母应该分解为两个字母，而不是一个字母。 - laurent

你错过了 žščřďťňů，而这只是我键盘上看到的一些。白名单已知字符并不是最好的解决方案。 - Piskvor left the building

如问题所述：我正在寻找最接近的“单字符ASCII”，因此对于我的用例来说，两个字母分解是不正确的。一个字母对于我要做的事情是正确的。 - BlaM

Answer 6

我发现这个在法语和德语中给出了最一致的结果。 使用标签设置为utf-8，我将其放置在一个函数中，以从单词数组中返回一行，它完美地工作。

htmlentities (  $line, ENT_SUBSTITUTE   , 'utf-8' ) 

- jay

---

这将返回HTML实体。例如，München将变为München。但是请求的结果应该是Muenchen。 - kirschkern

Answer 7

这是一种规范的方法：

1. 获取文本的规范分解形式。请参阅https://unicode.org/reports/tr15/了解Unicode规范化形式。
2. 删除非间隔标记。
3. 获取剩余文本的规范组合形式。

https://unicode-org.github.io/icu/userguide/transforms/general/

例如，要删除字符的重音符号，请使用以下转换：

NFD; [:Nonspacing Mark:] Remove; NFC.

我有点不确定为什么他们给出了这个例子，因为页面还指出每个转换规则由两个冒号和一个转换名称组成。

所以我们会添加那些。您需要包装ICU库的intl扩展。

$t = \Transliterator::createFromRules(':: NFD; ::[:Nonspacing Mark:] Remove; :: NFC;');

示例

print $t->transliterate('أ');

这将U+0623（带有上方哈姆扎的阿拉伯字母Alef）转换为U+0627（阿拉伯字母Alef），即它也适用于非拉丁字母及其重音符号。

您可以将[:Nonspacing Mark:]替换为[:Mn:]。

- chx

Answer 8

对于阿拉伯语和波斯语用户，我建议使用以下方法去除变音符号：

    $diacritics = array('َ','ِ','ً','ٌ','ٍ','ّ','ْ','ـ');
    $search_txt = str_replace($diacritics, '', $diacritics);

在阿拉伯键盘中打出变音符号，您可以使用这些Asci代码（这些代码是Asci而不是Unicode）在Windows编辑器中 直接输入变音符号或按住Alt +（输入变音符号的代码） 这些是代码

ـَ（0243）ـِ（0246）ـُ（0245）ـً（0240）ـٍ（0242）ـٌ（0241）ـْ（0250）ـّ（0248）ـ ـ（0220）

- ganji