preg_matchを使用して、UTF8 で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、それは2を出力します。正規表現で「u」修飾子を渡しているにもかかわらず、件名をUTF8でエンコードされた文字列として扱っていないようです。
私のphp.iniには次の設定があり、他のUTF8関数は機能しています：
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？
u修飾子により、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バイトではなく UTF-8 文字で長さを取得するために使用できます。
$str = "\xC2\xA1Hola!";
preg_match('/H/u', $str, $a_matches, PREG_OFFSET_CAPTURE);
echo mb_strlen(substr($str, 0, $a_matches[0][1]));
正規表現の前にこれ(*UTF8)を追加してみてください:
preg_match('(*UTF8)/H/u', "\xC2\xA1Hola!", $a_matches, PREG_OFFSET_CAPTURE);
魔法、 https://www.php.net/manual/function.preg-match.php#95828のコメントのおかげで
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 の観点からは、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に思えます (「正しい」とは言いません)。
necroposting で失礼しますが、誰かが役に立つと思うかもしれません: 以下のコードは preg_match と preg_match_all 関数の両方の代わりとして機能し、UTF8 でエンコードされた文字列の 正しいオフセット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)
}
}
H のマルチバイトの安全な位置を見つけることだけが必要な場合は、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