preg_split对mb_split

Question

根据PHP手册，PCRE正则表达式的u修饰符支持对模式和主题字符串的UTF-8支持。

考虑到这一点，使用带有u修饰符的PCRE表达式与相应的mb_*多字节字符串函数有什么区别吗？(假设所有字符串都是UTF-8编码的。)

作为一个例子，请考虑preg_split与mb_split：

preg_split('/' . $pattern . '/u', $string);

和

mb_split($pattern, $string);

似乎返回相同的结果。那么，哪一个应该是首选呢？这有关系吗？

Answer 1

主要的区别是preg_函数使用pcre库，当mb_ereg_函数(包括mb_split)使用oniguruma图书馆 (在2.0版本之前在ruby中使用)。

主要原因是，oniguruma可以处理多个编码(ASCII、UTF-8、UTF-16 10、UTF-16 10、UTF-32BE、UTF-32 10、EUC-JP、EUC-TW、EUC-KR、EUC-CN、Shift_JIS、Big5、GB18030、KOI8 8-R、CP1251、ISO-8859-1、ISO-8859-2、ISO-8859-3、ISO-8859-4、ISO-8859-5、ISO-8859-6、ISO-8859-7、ISO-8859-8、ISO-8859-9、ISO-8859-10、ISO-8859-11、ISO-8859-13，ISO-8859-14，ISO-8859-15，ISO-8859-16)

请注意，mb_函数(如mb_detect_encoding )可用的编码很多不在此列表中(例如，UTF-7、ArmSCI-8、CP866 )，从而限制了mb_ereg_函数的相关性。(因为您需要在处理字符串之前将其转换为受支持的编码，然后再将其转换回来。)

这两个regex引擎或多或少都有相同的特性，尽管如此，您还是可以找到一些不同之处(并非详尽无遗)：

猫头鹰不支持：

• 一个字母unicode简写字符类要编写，没有花括号。 示例：\pN被看作是pN，您需要编写：\p{N}
• unicode字符类: Xan、Xps、Xsp、Xwd
• 字符类中的非转义方括号:当pcre看到包含]和[的字符类时，将[视为两个空字符类。
• \K特性
• 换行符的\R别名
• 使用Python语法(?P<name>...)的命名组。只允许(?<name>...)或(?'name'...)。
• 使用Oniguruma语法以外的其他内容的组引用：\g<name> (不允许Perl语法、(?&name)和(?1)或(?R) )。
• 回溯控制动词

PCRE不支持：

• 重复命名组(默认情况下)。您需要使用(?J)修饰符来打开这个特性。
• 带有\k<...>语法的后退引用编号。您可以编写\k<name>，但不能编写\k<1>或\k<-1>。
• 反向引用到特定的嵌套级别。Oniguruma能够使用\k<name+n>实现这一点，其中n是嵌套级别。

为了将换行符与点匹配，当m使用s修饰符时，Oniguruma使用s修饰符。在mb_ereg_函数中，默认情况下，点与换行符匹配。(因此默认情况下m修饰符是打开的)。

PCRE使用s修饰符将换行符与点匹配。m修饰符在PCRE中的行为不同，它将^和$锚点的含义从字符串的“开始”和“结束”更改为行的“开始”和“结束”。

对于Oniguruma，这些锚的含义不会改变，它们总是匹配行的开始和结束。为了匹配字符串的限制，它使用了\A和\z，这两种方法也适用于PCRE。

请注意，Oniguruma是为了给Onigmo提供实现更多Perl特性和语法元素的Onigmo(在当前Ruby版本中使用)，这与PCRE更相似。

Answer 2

只要您严格使用UTF-8，您就可以接受这两种方法。如果您使用的是另一个charset，那么建议使用mb_split()，因为带有u的u修饰符不允许您指定charset，而是将字符串视为UTF-8。

关于扩展和长期生存能力，我建议从一开始就使用mb_split()，这样您就可以在以后使用或需要UTF-8以外的东西时被覆盖。