如何在 PHP 中替换变音符号或 Unaccent？

Question

我有一个名字“Göran”，我希望将其转换为“Goran”，这意味着我需要unaccent特定的词。但是我尝试过的似乎并没有不重音所有的单词。

这是我用来 Unaccent 的代码：

private function Unaccent($string)
{
    return preg_replace('~&([a-z]{1,2})(?:acute|cedil|circ|grave|lig|orn|ring|slash|th|tilde|uml|caron);~i', '$1', htmlentities($string, ENT_COMPAT, 'UTF-8'));
}

不工作的地方（不正确的匹配）：我的意思是它没有在右手边给出预期的结果，

JÃŒrgen => Juergen
InÚs => Ines

工作地点（正确匹配）：

Göran => Goran
Jørgen Ole => Jorgen
Jérôme => Jerome

可能是什么原因？怎么修？你有更好的方法来处理所有的情况吗？

Answer 1

这可能就是你要找的东西

How to convert special characters to normal characters?

但改用“utf-8”。

$text = iconv('utf-8', 'ascii//TRANSLIT', $text);

http://us2.php.net/manual/en/function.iconv.php

Answer 2

简答

你有两个问题：

首先。这些名称没有重音。它们的格式错误。

您似乎有一个 UTF-8 文件，但使用 ISO-8559-1 处理它们。例如，如果您告诉编辑器使用 ISO-8859-1 并使用 UTF-8 将文本复制粘贴到浏览器的文本区域中。然后，您将格式错误的名称保存在数据库中。我见过很多这样的复制粘贴问题。

如果名称格式正确，则可以解决第二个问题。不重音。已经有一个问题处理这个问题：How to convert special characters to normal characters?

长答案（仅关注格式错误的重音字母）

当你想要Göran时，为什么你有Göran？

让我们从 Unicode 开始：字母 ö 在 Unicode LATIN SMALL LETTER O WITH DIAERESIS 中。它的 Unicode 代码点是十六进制的 F6 或十进制的 246。请参阅此link 到 Unicode 数据库。

在 ISO-8859-1 中，从 0 到 255 的代码点保持原样。带分音符号的小写o只保存为一个字节：246。

UTF-8 和 ISO-8859-1 将代码点 0 到 127（又名 ASCII）视为相同。它们保持原样并仅保存为一个字节。它们在码位 128 到 255 的处理上有所不同。UTF-8 可以编码整个 Unicode 码位集，而 ISO-8859-1 只能处理前 256 个码位。

那么，UTF-8 对高于 128 的代码点做了什么？随着代码点变得越来越大，代码点有一组交错的编码可能性。对于高达 2047 的代码点，两个字节就足够了。它们的编码如下：(see this bit schema)

x xxxx xxxx xxxx => 110xxxxx 10xxxxxx

让我们用 UTF-8 中的分音符号对小写字母 o 进行编码。这些位是：0 0000 1111 0110 并被编码为11000011 10110110。这个不错。

但是，这两个字节可能会被误解为两个 有效 (!) ISO-8559-1 字节。什么是11000011（C3 十六进制）和10110110（B6 十六进制）？让我们咨询an ISO-8859-1 table。 C3 是大写 A 波浪号，B6 是段落符号。这两个标志都是有效的，没有软件可以仅通过查看位来检测这种误解。

它明确地需要知道名字是什么样子的人。 Göran 不是一个名字。名称中间有一个大写字母，段落符号根本不是字母。可悲的是，这种误解并不止于此。因为所有字符都是有效的，所以它们可以被复制粘贴并重新渲染。在这个过程中，误解可能会再次重复。让我们用Göran 来做这件事。我们已经误解了一次并得到了一个格式错误的Göran。字母大写 A、波浪号和段落符号在 UTF-8 each (!) 中呈现为两个字节，并被解释为 gobbledygook 的四个字节，类似于 GÃÅ.ran。

可怜的尤尔根！变音符号ü 被虐待了两次，我们有JÃŒrgen。

我们这里的元音变音很糟糕。 OP 甚至有可能从他的客户那里得到这些数据。这发生在我身上一次：我得到了混合数据：格式正确，格式错误一次，两次和三次在同一个文件中。非常令人沮丧。