web-dev-qa-db-ja.com

PHPのpreg_matchとUTF-8

preg_match を使用してUTF8エンコードされた文字列を検索しようとしています。

preg_match('/H/u', "\xC2\xA1Hola!", $a_matches, PREG_OFFSET_CAPTURE);
echo $a_matches[0][1];

「H」は文字列「¡Hola！」のインデックス1にあるため、これは1を出力するはずです。しかし、2を出力します。したがって、正規表現で "u" modifier を渡しているにもかかわらず、サブジェクトをUTF8エンコード文字列として処理していないようです。

Php.iniに次の設定があり、他のUTF8関数が機能しています。

mbstring.func_overload = 7
mbstring.language = Neutral
mbstring.internal_encoding = UTF-8
mbstring.http_input = pass
mbstring.http_output = pass
mbstring.encoding_translation = Off

何か案は？

phpunicodeutf-8pcre
31
JW.

これは「機能」のようです。 http://bugs.php.net/bug.php?id=37391 を参照してください

'u'スイッチはpcreに対してのみ意味があり、PHP自体はそれを認識しません。

PHPの観点から見ると、文字列はバイトシーケンスであり、バイトオフセットを返すことは論理的です（「正しい」とは言いません）。

19
user187291

修飾子を使用すると、パターンとサブジェクトの両方がUTF-8として解釈されますが、キャプチャされたオフセットはバイト単位でカウントされます。

mb_strlenを使用して、バイトではなくUTF-8文字で長さを取得できます。

$str = "\xC2\xA1Hola!";
preg_match('/H/u', $str, $a_matches, PREG_OFFSET_CAPTURE);
echo mb_strlen(substr($str, 0, $a_matches[0][1]));
36
Gumbo

正規表現の前にこれを追加してみてください（* UTF8）：

preg_match('(*UTF8)/H/u', "\xC2\xA1Hola!", $a_matches, PREG_OFFSET_CAPTURE);

マジック、 http://www.php.net/manual/es/function.preg-match.php#95828 のコメントのおかげ

25
Natxet

ネクロポスティングはすみませんが、誰かが役に立つかもしれません：以下のコードは、preg_match関数とpreg_match_all関数の両方として機能し、UTF8エンコードされた文字列のcorrect offsetで正しい一致を返します。

     mb_internal_encoding('UTF-8');

     /**
     * Returns array of matches in same format as preg_match or preg_match_all
     * @param bool   $matchAll If true, execute preg_match_all, otherwise preg_match
     * @param string $pattern  The pattern to search for, as a string.
     * @param string $subject  The input string.
     * @param int    $offset   The place from which to start the search (in bytes).
     * @return array
     */
    function pregMatchCapture($matchAll, $pattern, $subject, $offset = 0)
    {
        $matchInfo = array();
        $method    = 'preg_match';
        $flag      = PREG_OFFSET_CAPTURE;
        if ($matchAll) {
            $method .= '_all';
        }
        $n = $method($pattern, $subject, $matchInfo, $flag, $offset);
        $result = array();
        if ($n !== 0 && !empty($matchInfo)) {
            if (!$matchAll) {
                $matchInfo = array($matchInfo);
            }
            foreach ($matchInfo as $matches) {
                $positions = array();
                foreach ($matches as $match) {
                    $matchedText   = $match[0];
                    $matchedLength = $match[1];
                    $positions[]   = array(
                        $matchedText,
                        mb_strlen(mb_strcut($subject, 0, $matchedLength))
                    );
                }
                $result[] = $positions;
            }
            if (!$matchAll) {
                $result = $result[0];
            }
        }
        return $result;
    }

    $s1 = 'Попробуем русскую строку для теста';
    $s2 = 'Try english string for test';

    var_dump(pregMatchCapture(true, '/обу/', $s1));
    var_dump(pregMatchCapture(false, '/обу/', $s1));

    var_dump(pregMatchCapture(true, '/lish/', $s2));
    var_dump(pregMatchCapture(false, '/lish/', $s2));

私の例の出力：

    array(1) {
      [0]=>
      array(1) {
        [0]=>
        array(2) {
          [0]=>
          string(6) "обу"
          [1]=>
          int(4)
        }
      }
    }
    array(1) {
      [0]=>
      array(2) {
        [0]=>
        string(6) "обу"
        [1]=>
        int(4)
      }
    }
    array(1) {
      [0]=>
      array(1) {
        [0]=>
        array(2) {
          [0]=>
          string(4) "lish"
          [1]=>
          int(7)
        }
      }
    }
    array(1) {
      [0]=>
      array(2) {
        [0]=>
        string(4) "lish"
        [1]=>
        int(7)
      }
    }
5
Guy Fawkes

Hのマルチバイトの安全な位置を見つけたいだけなら、mb_strpos（）を試してください。

mb_internal_encoding('UTF-8');
$str = "\xC2\xA1Hola!";
$pos = mb_strpos($str, 'H');
echo $str."\n";
echo $pos."\n";
echo mb_substr($str,$pos,1)."\n";

出力：

¡Hola!
1
H
1
velcrow

Preg_matchによって返されたオフセットを適切なutfオフセットに変換する小さなクラスを作成しました。

final class NonUtfToUtfOffset
{
    /** @var int[] */
    private $utfMap = [];

    public function __construct(string $content)
    {
        $contentLength = mb_strlen($content);

        for ($offset = 0; $offset < $contentLength; $offset ++) {
            $char = mb_substr($content, $offset, 1);
            $nonUtfLength = strlen($char);

            for ($charOffset = 0; $charOffset < $nonUtfLength; $charOffset ++) {
                $this->utfMap[] = $offset;
            }
        }
    }

    public function convertOffset(int $nonUtfOffset): int
    {
        return $this->utfMap[$nonUtfOffset];
    }
}

次のように使用できます。

$content = 'aą bać d';
$offsetConverter = new NonUtfToUtfOffset($content);

preg_match_all('#(bać)#ui', $content, $m, PREG_OFFSET_CAPTURE);

foreach ($m[1] as [$Word, $offset]) {
    echo "bad: " . mb_substr($content, $offset, mb_strlen($Word))."\n";
    echo "good: " . mb_substr($content, $offsetConverter->convertOffset($offset), mb_strlen($Word))."\n";
}

https://3v4l.org/8Y32J

1
bronek89

T-Regx ライブラリをご覧ください。

_pattern('/Hola/u')->match('\xC2\xA1Hola!')->first(function (Match $match) 
{
    echo $match->offset();     // characters
    echo $match->byteOffset(); // bytes
});
_

この$match->offset()はUTF-8の安全なオフセットです。

0
Danon