替换字符串中的字符代码8217时的PHP意外输出

Question

我遇到了一个意想不到的角色替换问题。字符代码为8217，’。

我试过用斜杠来逃避这个角色，但没什么区别。

php > $a = preg_replace('/([.,\'"’:?!])<\/a>/', '</a>\1', 'letter">Evolution’</a> </li>');
php > echo($a);
// => letter">Evolution/a> </li>

// Just to show that it works if the character is different
php > $a = preg_replace('/([.,\'"’:?!])<\/a>/', '</a>\1', 'letter">Evolution"</a> </li>');
php > echo($a);
letter">Evolution</a>" </li>

我希望它能输出

letter">Evolution</a>’ </li>

而不是

letter">Evolution/a> </li>

Answer 1

默认情况下，pcre (pcre引擎)认为您的模式是一系列单字节编码字符。因此，在编写[’]时，您将获得一个字符类，其中包含编码正确单引号(U+2019)的三个字节，即：\xE2、\x80、\x99。

换句话说，在这种默认模式下写"/[’]/"就像写"/[\xE2\x80\x99]/"、"/[\x80\xE2\x99]/"或"/[\x99\xE2\x80]/"等等，regex引擎没有看到表示字符’的字节序列，而只看到三个字节。

这就是为什么您获得了一个奇怪的结果，因为[.,\'"’:?!]只匹配’的最后一个字节，所以是\x99。

要解决这个问题，您必须强制regex引擎以UTF-8编码字符串的形式读取模式。你可以用这样的一种方法来做：

• preg_replace('~(*UTF)([.,\'"’:?!])</a>~', '</a>\1', 'letter">Evolution’</a> </li>');
• preg_replace('~([.,\'"’:?!])</a>~u', '</a>\1', 'letter">Evolution’</a> </li>');

这一次，三个字节的\xE2\x80\x99被视为字符’的原子序列。

注意：(*UTF)只用于读取模式，但u修饰符做了更多的事情:它将速记字符类(如\s、\w、\d)扩展到unicode字符，并检查主题字符串是否编码了utf-8。

Answer 2

只需将unicode标志添加到regex：

$a = preg_replace('/([.,\'"’:?!])<\/a>/u', '</a>\1', 'letter">Evolution’</a> </li>');
#                              here ___^
echo($a);