php - 为什么在拆分“\s”时，PHP的preg_split会在UTF-8中拆分希伯来字母“נ”？

这不起作用，它变成乱码：

$foo = 'נ';
$bar = mb_convert_encoding($foo, 'UTF-8', mb_detect_encoding($foo));
print_r(preg_split('/\s/', $bar));

数组（[0] =>�[1] =>）


但这有效：

$foo = 'נ';
$bar = mb_convert_encoding($foo, 'ISO-8859-8', mb_detect_encoding($foo));
$baz = preg_split('/\s/', $bar);
echo(mb_convert_encoding($baz[0], 'UTF-8', 'ISO-8859-8'));

נ


问题仅在于字母“ נ”。它可以与所有其他希伯来字母一起使用。有解决方案吗？

最佳答案

使用UTF-8数据时，请始终在模式中使用u modifier：

/\s/u

否则，该模式不会解释为UTF-8。

像在这种情况下一样，字符נ（U + 05E0）在UTF-8中使用0xD7A0编码。 \s代表任何空格字符（根据PCRE）：


\s字符是HT（9），LF（10），FF（12），CR（13）和空格（32）。


添加UTF-8支持后，他们还添加了一个称为PCRE_UCP的特殊选项，以使\b，\d，\s和\w不仅与US-ASCII字符匹配，而且还与其他Unicode字符匹配特性：


默认情况下，在UTF-8模式下，值大于128的字符从不匹配\d，\s或\w，并且始终匹配\D，\S和\W。 […]但是，如果PCRE在支持Unicode属性的情况下进行编译，并且设置了PCRE_UCP选项，则会更改行为，以便使用Unicode属性确定字符类型，如下所示：


\d \p{Nd}匹配的任何字符（小数位）
\s \p{Z}匹配的任何字符，加上HT，LF，FF，CR
\w \p{L}或\p{N}匹配的任何字符，加上下划线



并且该不间断空格U + 00A0具有分隔符（\p{Z}）的属性。

因此，尽管您的模式不在UTF-8模式下，但是\s确实与UTF-8代码字0xD7A0中的0xA0匹配，在该位置分割字符串并返回与array("\xD7", "")等效的数组。

这显然是一个错误，因为该模式不在UTF-8模式下，但0xA0大于0x80（此外，0xA0将被编码为0xC2A0）。 bug #52971 PCRE-Meta-Characters not working with utf-8可能与此有关。

关于php - 为什么在拆分“\s”时，PHP的preg_split会在UTF-8中拆分希伯来字母“נ”？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/4231864/