正则表达式：从UTF8字符串中删除非字母数字字符

Question

如何以多字节安全的方式从字符串中删除字符，例如标点符号、逗号、破折号等？

我将处理来自许多不同语言的输入，想知道是否有方法可以帮助我处理这个问题。

谢谢

- Thomas

---

你只想保留a-z和0-9吗？还是所有来自不同语言的特殊字符也要保留？ - Marcus

解释为什么我的结果不如建议的更好。 - user557846

@Marcus。我需要保留Unicode字符。 - Thomas

Answer 1

你可以使用Unicode字符类功能来实现：

• http://www.regular-expressions.info/unicode.html
• http://php.net/manual/en/regexp.reference.unicode.php

如果要匹配任何非字母符号，只需使用\PL+，即不是 \p{L}的反义。若要保留空格，请使用字符集如[^\pL\s]+。或者只需使用\pP+去除标点符号。

当然，不要忘记正则表达式的/u修饰符。

- mario

---

我认为这个有潜力，我需要进行调查。谢谢 Mario。 - Thomas

为了匹配空格字符（代码点），请使用 \pZ 而不是 \s。 - Mr Coder

这并不处理非数字部分。正确的答案应该是 [^\pL^\pN\s]+。 - genonymous

Answer 2

我使用了这个：

$clean = preg_replace( "/[^\p{L}|\p{N}]+/u", " ", $raw );
$clean = preg_replace( "/[\p{Z}]{2,}/u", " ", $clean );

- Олег Всильдеревьев

---

你能否描述一下这里到底发生了什么？ - Luke Rehmann

Answer 3

相关帖子

从字符串中删除非UTF-8字符

我不确定这是否涵盖了所有字符。

根据dreamincode论坛上的这篇帖子

http://www.dreamincode.net/forums/topic/78179-regular-expression-to-remove-non-ascii-characters/

这应该可以工作

/[^\x{21}-\x{7E}\s\t\n\r]/

- CBusBus

---

我认为这仅适用于ASCII，而作者明确提到了UTF8字符串。 - Pateman

Answer 4

这可能会有用吗？

$newstring = preg_replace('/[^0-9a-zA-Z\s]/', $oldstring);

- Scuba Kay

---

这将同时删除非 ASCII 字符。我不希望这样。 - Thomas