preg_split 对特殊字符不区分大小写答案

【问题标题】：preg_split is case insensitive with special characterspreg_split 对特殊字符不区分大小写
【发布时间】：2015-09-29 11:45:10
【问题描述】：

我正在编写一个用大写字母分割字符串（餐厅菜单）的脚本。不幸的是，在捷克语中，一些单词以带有变音符号的特殊字符开头。用“普通”大写字母分割菜肴效果很好，但我的正则表达式对某些特殊字符不区分大小写，它用例如分割字符串。 š 什么时候应该只用 Š 拆分它。奇怪的是，一些特殊字符工作得很好，到目前为止唯一有问题的字母是š/Š。谁能帮帮我？

$dishes = preg_split('/(?=[ABCDEFGHIJKLMNOPQRSTUVWXYZÁČĎÉĚÍŇÓŘŠŤÚŮÝŽĹÔÄËÏÖÜŸ])/', $dishes); 
print_r($dishes);

以上代码返回

Array
(
    [0] =>
    [1] => Vepřová plec na paprice s těstovinami
    [2] => Domácí sekaná s bramborovou ka
    [3] => ší
    [4] => Těstoviny s rajským jablkem, olivami a žervé
    [5] => Domácí sekaná s e svíčkovou omáčkou
    [6] => Uzená kýta s čočkou na kyselo a vejcem 
    [7] => Vepřové  nudličky se zeleninou a rýží
    [8] => Pečená vepřová plec na medu a pivu s bramborami
    [9] => Plzeňský gulá
    [10] => š
    [11] => Hovězí zadní se svíčkovou omáčkou, citron, brusinky, 
    [12] => šlehačka
)

（不要介意第一个空行）谢谢！

【问题讨论】：

你应该使用/u修饰符。试试$dishes = preg_split('/(?=[ABCDEFGHIJKLMNOPQRSTUVWXYZÁČĎÉĚÍŇÓŘŠŤÚŮÝŽĹÔÄËÏÖÜŸ])/u', $dishes);。
如果你使用 '\u0160' 而不是 'Š' 是否有效？
使其通用：preg_split('/(?=\p{Lu})/u', $dishes);
@LucasTrzesniewski：如果目标是只匹配特定的字母，那么\p{Lu} 可能会过度匹配。
我想让它通用，不幸的是你的代码 (Lucas) 根本没有拆分它。添加 /u 也无济于事

标签： php regex string

【解决方案1】：

当您在 PHP preg 函数中使用正则表达式处理 Unicode 输入数据时，请记住使用 /u 正则表达式修饰符：

$dishes = preg_split('/(?=[ABCDEFGHIJKLMNOPQRSTUVWXYZÁČĎÉĚÍŇÓŘŠŤÚŮÝŽĹÔÄËÏÖÜŸ])/u', $dishes);

注意，PHP文件需要用UTF8编码保存！

这将使正则表达式引擎将输入视为 Unicode 字符串，并正确处理包含非 ASCII 字符的正则表达式模式。

如果您需要匹配任何 Unicode 大写字母（正如 LucasTrzesniewski 在上面的评论中提到的），您可以使用 \p{Lu} Unicode 类别类：

$dishes = preg_split('/(?=\p{Lu})/u', $dishes);

请注意，有时您不必使用/u 修饰符。见Daniel Klein's comment：

但这不是必需的，因为您可能需要将 utf-8 序列分解为单个字节。不过，大多数情况下，如果您使用的是 utf-8 字符串，则应该使用 'u' 修饰符。

如果主题不包含任何 utf-8 序列（即仅 0x00-0x7F 范围内的字符）但模式包含，据我所知，设置 'u' 修饰符对结果。

还有来自hfuecks的更多警告：

关于使用 /u 模式修饰符时 UTF-8 字符串的有效性，需要注意的一些事项；

如果模式本身包含无效的 UTF-8 字符，则会出现错误（如上面的文档中所述 - “UTF-8 有效性的自 PHP 4.3.5 起检查模式"

当主题字符串包含无效的 UTF-8 序列/代码点时，它基本上会导致 preg_* 功能，其中没有任何匹配但没有迹象表明字符串是无效的 UTF-8

PCRE 将五个和六个八位字节的 UTF-8 字符序列视为有效（在模式和主题字符串中），但不支持这些在 Unicode 中（参见“安全”的第 5.9 节“字符编码” Programming for Linux and Unix HOWTO”——可以在以下位置找到 http://www.tldp.org/等地）

对于 PHP 中测试 UTF-8 字符串有效性（并丢弃五个/六个八位字节序列）的示例算法，请访问： http://hsivonen.iki.fi/php-utf8/

所以，试试

$dishes = preg_split('/(?=\p{Lu})/u', $dishes);

根据您要达到的目标，对于您的情况可能就足够了。

【讨论】：

该死，我使用了你的（分别是卢卡斯的代码）它根本没有分裂，但我删除了“u”，它似乎工作正常。谢谢！ :) 我现在该怎么办，我是否将其标记为已批准，即使它仅部分解决了我的问题？
你说$dishes = preg_split('/(?=\p{Lu})/', $dishes); 适合你吗？您是否将 UTF8 字符串分解为字节？
我添加了更多关于u 标志用法的信息，希望对您有所帮助。
我不确定，一般来说我在使用特殊标志时遇到了一些问题。这样做的目的只是为了填充数据库中的大量菜肴，所以它只是使用字符串，正如你所知，我不是专家，尤其是在涉及正则表达式时:)
好吧，对不起，我的错误，毕竟它不起作用，当我使用$dishes = preg_split('/(?=\p{Lu})/u', $dishes);时，它根本不会分裂，当我使用$dishes = preg_split('/(?=\p{Lu})/', $dishes);时它不会被任何特殊分裂字符（Š、Ž、Č、...）。将 UTF8 字符串分成几段是什么意思？

【解决方案2】：

当我应该将 PHP 文件保存为 Windows-1250 时，我将其保存为 UTF-8。将其保存为 Windows-1250 解决了这个问题。

【讨论】：