删除Unicode零宽度空间PHP

Question

我有缅甸语的文字,UTF-8.我正在使用PHP来处理文本.在此过程中的某些时候,一些ZWSP已经悄悄进入,我想将它们删除.我尝试了两种不同的方法来删除字符,似乎都没有用.

首先我尝试使用:

  $newBody = str_replace("​", "", $newBody);

搜索HTML实体并将其删除,因为这是它在Web Inspector下的显示方式.空格不会被删除.我也尝试过:

  $newBody = str_replace("&#8203", "", $newBody);

得到相同没有结果.

我尝试的第二种方法是在这个问题中找到从PHP中的字符串中删除ZERO WIDTH NON-JOINER字符

看起来像这样:

 $newBody = str_replace("\xE2\x80\x8C", "", $newBody);

但我也没有结果.ZWSP未被删除.

An example word in the text ($newBody) looks like this : ???​??​????
And I want to make it look like this : ????????

有任何想法吗？preg_replace会以某种方式更好地工作吗？

所以我试过了

$newBody = preg_replace("/\xE2\x80\x8B/", "", $newBody);

它似乎是运作,但现在还有另一个问题.

<a class="defined" title="Ukraine">??&#8203;?&#8203;?????</a>

变成了

<a class="defined _tt_t_" title="Ukraine" style="font-family: 'Masterpiece Uni Sans', TharLon, Myanmar3, Yunghkio, Padauk, Parabaik, 'WinUni Innwa', 'Win Uni Innwa', 'MyMyanmar Unicode', Panglong, 'Myanmar Sangam MN', 'Myanmar MN';">????????</a>

我不希望它添加所有额外的东西.任何想法为什么会这样？除了想出一些方法只针对两者之间的文本,有没有另一种方法来阻止preg_replace添加所有这些额外的东西？顺便说一句,在Mac上使用谷歌浏览器.似乎与firefox有点不同......

Answer 1

这个:

$newBody = str_replace("​", "", $newBody);

假设文本是HTML实体编码的.这个:

$newBody = str_replace("\xE2\x80\x8C", "", $newBody);

如果违规字符未编码但匹配错误的字符(0xe2808c),则应该有效.匹配与#8203相同的字符; 你需要0xe2808b:

$newBody = str_replace("\xE2\x80\x8B", "", $newBody);

Answer 2

如果要从 UTF-8 字符串中删除零宽度空格字符：

$string = preg_replace('/[\x{200B}-\x{200D}\x{FEFF}]/u', '', $string);

参考：

• https://gist.github.com/ahmadazimi/b1f1b8f626d73728f7aa（php）
• 从 JavaScript 字符串(js)中删除零宽度空格字符