Соответствие границе слова php regex в utf-8

У меня есть следующий php-код в файле php utf-8:

var_dump(setlocale(LC_CTYPE, 'de_DE.utf8', 'German_Germany.utf-8', 'de_DE', 'german'));
var_dump(mb_internal_encoding());
var_dump(mb_internal_encoding('utf-8'));
var_dump(mb_internal_encoding());
var_dump(mb_regex_encoding());
var_dump(mb_regex_encoding('utf-8'));
var_dump(mb_regex_encoding());
var_dump(preg_replace('/\bweiß\b/iu', 'weiss', 'weißbier'));

Я хочу, чтобы последнее регулярное выражение заменяло только полные слова, а не части слов.

На моем компьютере с Windows он возвращает:

string 'German_Germany.1252' (length=19)
string 'ISO-8859-1' (length=10)
boolean true
string 'UTF-8' (length=5)
string 'EUC-JP' (length=6)
boolean true
string 'UTF-8' (length=5)
string 'weißbier' (length=9)

На веб-сервере (linux) я получаю:

string(10) "de_DE.utf8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(10) "ISO-8859-1"
bool(true)
string(5) "UTF-8"
string(9) "weissbier"

Таким образом, регулярное выражение работает так, как я ожидал, на окнах, но не на linux.

Итак, главный вопрос: как я должен писать свое регулярное выражение только для соответствия границам слов?

Вторичные вопросы - это то, как я могу сообщить Windows, что я хочу использовать utf-8 в своем приложении php.

Ответ 1

Даже в режиме UTF-8 стандартные сокращения классов, такие как \w и \b, не поддерживают Unicode. Вам просто нужно использовать сокращения Unicode, как вы это разработали, но вы можете сделать его немного менее уродливым, используя обратные пути вместо чередования:

/(?<!\pL)weiß(?!\pL)/u

Обратите внимание также, как я оставил фигурные скобки из сокращенных классов Unicode; вы можете сделать это, когда имя класса состоит из одной буквы.

Ответ 2

Угадайте, что это было связано с Ошибка # 52971

PCRE-Meta-Characters, такие как \b \w, не работает с строками unicode.

и исправлено в PHP 5.3.4

Расширение PCRE: Исправлена ошибка # 52971 (PCRE-метасимволы, не работающие с utf-8).

Ответ 3

вот что я нашел до сих пор. Переписывая шаблоны поиска и замены следующим образом:

$before = '(^|[^\p{L}])';
$after = '([^\p{L}]|$)';
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weißbier'));
// Test some other cases:
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weiß'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', 'weiß bier'));
var_dump(preg_replace('/'.$before.'weiß'.$after.'/iu', '$1weiss$2', ' weiß'));

Я получаю желаемый результат:

string 'weißbier' (length=9)
string 'weiss' (length=5)
string 'weiss bier' (length=10)
string ' weiss' (length=6)

на моем компьютере с Windows, на котором запущен apache, и на размещенном веб-сервере linux, использующем apache.

Я предполагаю, что есть лучший способ сделать это.

Кроме того, я все равно хотел бы установить мой компьютер с Windows на utf-8.

Ответ 4

Согласно этот комментарий, это ошибка в PHP. Использует ли \W вместо \b какую-либо выгоду?