从字符串中删除PHP的多字节空格

Question

我想使用 preg_replace 来从字符串输入中消除日语全角空格 "　"，但最终得到的是一个损坏的多字节字符串。

我更喜欢 preg_replace 而不是 str_replace。这是一个样例代码：

$keywords = '　ラメ単色';
$keywords = str_replace(array(' ', '　'), ' ', urldecode($keywords)); // 输出：'ラメ単色'

$keywords = preg_replace("@[ 　]@", ' ',urldecode($keywords)); // 输出：'�� ��単色'

有人知道为什么会出现这种情况以及如何解决吗？

- shawndreck

---

$keywords 和 '　ラメ単色' 是相同的吗？ - alex

是的，匆忙复制并编辑了它。 - shawndreck

Answer 1

在您的正则表达式中添加u标志。这将使RegEx引擎将输入字符串视为UTF-8。

$keywords = preg_replace("@[ 　]@u", ' ',urldecode($keywords));
// outputs :'ラメ単色'

CodePad.

它混淆字符串的原因是因为对于正则表达式引擎来说，您的替换字符20（空格）或e3 80 80（表意空格）不被视为两个字符，而是单独的字节20、e3和80。

当您查看要扫描的字符串的字节序列时，我们得到e3 80 80 e3 83 a9 e3 83 a1 e5 8d 98 e8 89 b2。我们知道第一个字符是表意空格，但由于PHP将其视为一系列字节，因此它会单独替换前四个字节，因为它们与正则表达式引擎正在扫描的单个字节匹配。

至于导致�（替换字符）混淆的问题，我们可以看到这是因为字节e3在字符串中进一步出现了。 e3字节是一个三字节长的日语字符的起始字节，例如e3 83 a9（片假名RA字母）。 当将前导的e3替换为20（空格）时，它不再成为有效的UTF-8序列。

当启用u标志时，正则表达式引擎将字符串视为UTF-8，并且不会按字节处理字符类中的字符。

- alex

---

我会接受你的回答，因为它使用了我喜欢的 preg_replace 函数。不过 mb_ereg_replace 也可以完成任务。谢谢！ - shawndreck

Answer 2

为避免额外的问题，还要考虑明确设置内部编码到你的 mb_* 函数解决方案中：

mb_internal_encoding("UTF-8");

- lobostome

Answer 3

深入文档总是有好处的。我发现 preg_* 相关函数不适用于多字节字符优化。相反，应该使用 mb_ereg_* 和 mb_* 函数。我通过重构代码解决了这个小问题，代码如下：

$keywords = '　ラメ単色';
$pattern = " "/*ascii whitespace*/ . "　"/*multi-byte whitespace*/;
$keywords = trim(
    mb_ereg_replace("[{$pattern}]+", ' ',urldecode($keywords))); // 输出：'ラメ単色'

还是要感谢大家！

- shawndreck

Answer 4

使用这个

$keywords = preg_replace('/\s+/', ' ',urldecode($keywords));

- Habid Pk

---

那不会匹配OP想要删除的所有字符。 - alex