从字符串PHP中删除多字节空格

Question

我试图使用preg_replace ?从字符串输入中消除日语全宽白色空格" "但我最终得到一个损坏的多字节字符串.

我更喜欢preg_replace而不是str_replace.这是一个示例代码:

$keywords = '?????';
$keywords = str_replace(array(' ', '?'), ' ', urldecode($keywords)); // outputs :'????'

$keywords = preg_replace("@[ ?]@", ' ',urldecode($keywords)); // outputs :'?? ????'

任何人都知道为什么会这样,以及如何纠正这种情况？

Answer 1

将u标志添加到正则表达式.这使得RegEx引擎将输入字符串视为UTF-8.

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

CodePad.

它破坏字符串的原因是因为RegEx引擎,你的替换字符,20(空格)或e3 80 80(IDEOGRAPHIC SPACE)不被视为两个字符,而是单独的字节20,e3和80.

当你查看要扫描的字符串的字节序列时,我们得到了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IDEOGRAPHIC SPACE,但是因为PHP将它视为一个字节序列,它会单独替换前四个字节,因为它们匹配正则表达式引擎正在扫描的单个字节.

至于导致 (REPLACEMENT CHARACTER)的重整,我们可以看到这种情况发生,因为字节e3在字符串中进一步存在.该e3字节是三字节长日文字符的起始字节,例如e3 83 a9(KATAKANA LETTER RA).当该行距e3被替换为20(空格)时,它不再成为有效的UTF-8序列.

当您启用该u标志时,RegEx引擎将该字符串视为UTF-8,并且不会基于每个字节处理您的字符类中的字符.