PHP中的正则表达式元字符\w和\pL

Question

在版本5.3.4 - 5.5.0beta1中，\w和\pL是否等价？

 <?php
preg_match_all('#\w#u','سیب',$f);
var_dump($f);

preg_match_all('#\pL#u','سیب',$f);
var_dump($f);

array(1) {
  [0]=>
  array(3) {
    [0]=>
    string(2) "س"
    [1]=>
    string(2) "ی"
    [2]=>
    string(2) "ب"
  }
}
array(1) {
  [0]=>
  array(3) {
    [0]=>
    string(2) "س"
    [1]=>
    string(2) "ی"
    [2]=>
    string(2) "ب"
  }
}

Try the above snippet in the Online PHP shell

- Handsome Nerd

Answer 1

当您在PCRE正则表达式中使用u修饰符时，似乎PHP除了设置PCRE_UTF8标志外，还设置了PCRE_UCP标志，这会导致Unicode属性被引入到\w和其他POSIX字符类中，而不仅仅是默认的ASCII字符。来自PCRE手册页面的内容如下：

PCRE_UCP

此选项更改PCRE处理\B、\b、\D、\d、\S、\s、\W、\w和某些POSIX字符类的方式。默认情况下，只识别ASCII字符，但如果设置了PCRE_UCP，则使用Unicode属性来对字符进行分类。

然后在PHP源代码中确认了这一点（第366-372行），我们可以看到以下内容：

        case 'u':   coptions |= PCRE_UTF8;
/* In  PCRE,  by  default, \d, \D, \s, \S, \w, and \W recognize only ASCII
   characters, even in UTF-8 mode. However, this can be changed by setting
   the PCRE_UCP option. */
#ifdef PCRE_UCP
                    coptions |= PCRE_UCP;
#endif

因此，从我上面链接的同一手册中，您会看到当设置PCRE_UCP时，字符类变为：

\d 与\p{Nd}匹配的任何字符（十进制数字）

\s 与\p{Z}匹配的任何字符，加上HT、LF、FF、CR

\w 与\p{L}或\p{N}匹配的任何字符，加上下划线

- nickb

---

完美的答案。在 PHP 中打开 u 标志就像在正则表达式前面添加 (*UCP)(*UTF8) 一样。不幸的是，截至 PCRE 8.34，没有办法在内联中关闭 PCRE_UCP。我说“不幸”，因为这使得 \w 运行变慢，根据 PCRE 手册：“通过 Unicode 属性匹配字符并不快，因为 PCRE 必须进行多级表查找才能找到字符的属性。这就是为什么默认情况下，传统的转义序列（如 \d 和 \w）在 PCRE 中不使用 Unicode 属性，尽管您可以通过设置 PCRE_UCP 选项或以 (*UCP) 开始模式来使它们这样做。” - zx81

实际上，有一种解决方法可以使用UTF8而不需要UCP：内联设置UTF8，而不是使用u标志。例如："(*UTF8)\w+" 这确保了Unicode模式已打开，但\w不匹配\p{L}。 - zx81