Как я могу обрезать string(6) " page" , где первое пробельное пространство является неразрывным пробелом 0xc2a0?
Я пробовал trim() и preg_match('/^\s*(.*)\s*$/u', $key, $m); ,
Другой вопрос: как я могу достоверно копировать эти персонажи? Они, похоже, преобразуются в «нормальные» пространства, что затрудняет отладку.
preg_replace('/^[\pZ\pC]+|[\pZ\pC]+$/u','',$str);
Свойства свойства unicode PCRE можно использовать для достижения этого
Вот код, с которым я играл, и, кажется, делает то, что вы хотите:
<?php function unicode_trim ($str) { return preg_replace('/^[\pZ\pC]+([\PZ\PC]*)[\pZ\pC]+$/u', '$1', $str); } $key = chr(0xc2) . chr(0xa0) . '#page#' . chr(0xc2) . chr(0xa0); var_dump(unicode_trim($key));
результат
[~]> php e.php string(6) "#page#"
Объяснение:
\ p {xx} символ с свойством xx \ P {xx} персонажем без свойства xx
Если xx имеет только один символ, то {} можно отбросить, например, \ p {Z} совпадает с \ pZ
Z обозначает все разделители, C обозначает все «другие» символы (например, управляющие символы)
В существующем решении упоминаются только символы \pZ . Однако есть шесть символов Unicode, которые выходят за рамки этого свойства:
% unichars '\p{WhiteSpace}' '\PZ' -- 9 0009 CHARACTER TABULATION -- 10 000A LINE FEED (LF) -- 11 000B LINE TABULATION -- 12 000C FORM FEED (FF) -- 13 000D CARRIAGE RETURN (CR) -- 133 0085 NEXT LINE (NEL)
Эти шесть имеют тип \pC и, в частности, тип \p{Cc} . Однако есть пятьдесят девять символов без пробелов, которые также являются \p{Cc} :
% unichars '\P{WhiteSpace}' '\p{Cc}' | wc -l 59
Простая версия моего собственного теста на то, является ли что-то печатным символом или нет, просто [\pZ\pC] ; это то, что использует unichars , например.
Более тщательный тест будет учитывать, должно ли что-то занимать 0, 1 или 2 позиции печати. Это требует рассмотрения того, является ли это комбинацией Mark, который является свойством \pM , а также имеет ли он свойства полуширины или полной ширины. Например:
% uniprops ff5e ffeb U+FF5E ‹～› \N{ FULLWIDTH TILDE }: \pS \p{Sm} All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base Graph GrBase Math Math_Symbol Print Symbol U+FFEB ‹￫› \N{ HALFWIDTH RIGHTWARDS ARROW }: \pS \p{Sm} All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base Graph GrBase Math Math_Symbol Print Symbol
Для них вам нужно будет использовать небиновое свойство East Asian Width. Они применимы:
% uniprops -l | grep -i width Block:Halfwidth_And_Fullwidth_Forms InHalfwidthAndFullwidthForms East_Asian_Width:A East_Asian_Width=Ambiguous East_Asian_Width:Ambiguous East_Asian_Width:F East_Asian_Width=Fullwidth East_Asian_Width:Fullwidth East_Asian_Width:H East_Asian_Width=Halfwidth East_Asian_Width:Halfwidth East_Asian_Width=Neutral East_Asian_Width:Na East_Asian_Width=Narrow East_Asian_Width:Narrow East_Asian_Width:Neutral East_Asian_Width:W East_Asian_Width=Wide East_Asian_Width:Wide
У них есть аббревиатуры типа \p{Ea=F} и \p{Ea=H} . Есть куча таких:
% uninames '(FULL|HALF)WIDTH' | wc -l 454
Конечно, вы не должны называть имена для этих вещей, но по свойствам:
% unichars '[\p{Ea=F}\p{Ea=H}]' | wc -l 227 % unichars '[\p{Ea=F}\p{Ea=H}\p{Ea=Na}]' | wc -l 338 % unichars '[\p{Ea=F}\p{Ea=H}\p{Ea=Na}\pM]' | wc -l 1488
Чтобы показать вам, сколько, многие свойства, которыми это действительно имеет место, вот полный дамп свойств трех разных символов, который работает против Unicode 5.2:
% uniprops -ga NEL "COMBINING TILDE" ff5e U+0085 ‹U+0085› \N{ NEXT LINE (NEL) }: \s \v \R \pC \p{Cc} All Any Assigned InLatin1 C Other Cc Cntrl Common Zyyy Control Pat_WS Pattern_White_Space PatWS Space SpacePerl VertSpace White_Space WSpace Age:1.1 Bidi_Class:B Bidi_Class=Paragraph_Separator Bidi_Class:Paragraph_Separator Bc=B Block:Latin_1 Block=Latin_1_Supplement Block:Latin_1_Supplement Blk=Latin1 General_Category=Other Canonical_Combining_Class:0 Canonical_Combining_Class=Not_Reordered Canonical_Combining_Class:Not_Reordered Ccc=NR Canonical_Combining_Class:NR General_Category=Control Script=Common Decomposition_Type:None Dt=None East_Asian_Width=Neutral East_Asian_Width:Neutral General_Category:C General_Category:Cc General_Category:Cntrl General_Category:Control Gc=Cc General_Category:Other Gc=C Grapheme_Cluster_Break:CN Grapheme_Cluster_Break=Control Grapheme_Cluster_Break:Control GCB=CN Hangul_Syllable_Type:NA Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Joining_Group:No_Joining_Group Jg=NoJoiningGroup Joining_Type:Non_Joining Jt=U Joining_Type:U Joining_Type=Non_Joining Line_Break:Next_Line Lb=NL Line_Break:NL Line_Break=Next_Line Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1 Age=1.1 In=1.1 Present_In:2.0 In=2.0 Present_In:2.1 In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2 In=3.2 Present_In:4.0 In=4.0 Present_In:4.1 In=4.1 Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2 Script:Common Sc=Zyyy Script:Zyyy Sentence_Break:SE Sentence_Break=Sep Sentence_Break:Sep SB=SE Word_Break:Newline WB=NL Word_Break:NL Word_Break=Newline U+0303 ‹̃› \N{ COMBINING TILDE }: \w \pM \p{Mn} All Any Assigned InCombiningDiacriticalMarks Case_Ignorable CI Dia Diacritic M Mn Gr_Ext Grapheme_Extend Graph GrExt ID_Continue IDC Inherited Zinh Mark Nonspacing_Mark Print Qaai Word XID_Continue XIDC Age:1.1 Bidi_Class:Nonspacing_Mark Bc=NSM Bidi_Class:NSM Bidi_Class=Nonspacing_Mark Block:Combining_Diacritical_Marks Canonical_Combining_Class:230 Canonical_Combining_Class=Above Canonical_Combining_Class:A Canonical_Combining_Class:Above Ccc=A Decomposition_Type:None Dt=None East_Asian_Width:A East_Asian_Width=Ambiguous East_Asian_Width:Ambiguous Ea=A General_Category:M General_Category=Mark General_Category:Mark Gc=M General_Category:Mn General_Category=Nonspacing_Mark General_Category:Nonspacing_Mark Gc=Mn Grapheme_Cluster_Break:EX Grapheme_Cluster_Break=Extend Grapheme_Cluster_Break:Extend GCB=EX Hangul_Syllable_Type:NA Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Script=Inherited Joining_Group:No_Joining_Group Jg=NoJoiningGroup Joining_Type:T Joining_Type=Transparent Joining_Type:Transparent Jt=T Line_Break:CM Line_Break=Combining_Mark Line_Break:Combining_Mark Lb=CM NFC_Quick_Check:M NFC_Quick_Check=Maybe NFC_Quick_Check:Maybe NFCQC=M NFKC_Quick_Check:M NFKC_Quick_Check=Maybe NFKC_Quick_Check:Maybe NFKCQC=M Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1 Age=1.1 In=1.1 Present_In:2.0 In=2.0 Present_In:2.1 In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2 In=3.2 Present_In:4.0 In=4.0 Present_In:4.1 In=4.1 Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2 Script:Inherited Sc=Zinh Script:Qaai Script:Zinh Sentence_Break:EX Sentence_Break=Extend Sentence_Break:Extend SB=EX Word_Break:Extend WB=Extend U+FF5E ‹～› \N{ FULLWIDTH TILDE }: \pS \p{Sm} All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base Graph GrBase Math Math_Symbol Print Symbol Age:1.1 Bidi_Class:ON Bidi_Class=Other_Neutral Bidi_Class:Other_Neutral Bc=ON Block:Halfwidth_And_Fullwidth_Forms Canonical_Combining_Class:0 Canonical_Combining_Class=Not_Reordered Canonical_Combining_Class:Not_Reordered Ccc=NR Canonical_Combining_Class:NR Script=Common Decomposition_Type:Non_Canon Decomposition_Type=Non_Canonical Decomposition_Type:Non_Canonical Dt=NonCanon Decomposition_Type:Wide Dt=Wide East_Asian_Width:F East_Asian_Width=Fullwidth East_Asian_Width:Fullwidth Ea=F General_Category:Math_Symbol Gc=Sm General_Category:S General_Category=Symbol General_Category:Sm General_Category=Math_Symbol General_Category:Symbol Gc=S Grapheme_Cluster_Break:Other GCB=XX Grapheme_Cluster_Break:XX Grapheme_Cluster_Break=Other Hangul_Syllable_Type:NA Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Joining_Group:No_Joining_Group Jg=NoJoiningGroup Joining_Type:Non_Joining Jt=U Joining_Type:U Joining_Type=Non_Joining Line_Break:ID Line_Break=Ideographic Line_Break:Ideographic Lb=ID Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1 Age=1.1 In=1.1 Present_In:2.0 In=2.0 Present_In:2.1 In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2 In=3.2 Present_In:4.0 In=4.0 Present_In:4.1 In=4.1 Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2 Script:Common Sc=Zyyy Script:Zyyy Sentence_Break:Other SB=XX Sentence_Break:XX Sentence_Break=Other Word_Break:Other WB=XX Word_Break:XX Word_Break=Other
Довольно ошеломляюще, а?
Если вы прочли эту информацию и хотели бы знать, где получить три утилит Unicode, описанные выше, uniprops , unichars и uninames , отправьте мне письмо, потому что текущие ссылки не работают прямо сейчас.
Возможно, что-то из многобайтового набора строк? http://php.net/manual/en/function.mb-ereg.php Невозможно увидеть mb_trim, но есть набор функций регулярного выражения MB safe.
г
Эта страница может помочь:
http://nadeausoftware.com/articles/2007/9/php_tip_how_strip_punctuation_characters_web_page
но вот мое единственное решение , потому что иногда есть пространства UTF8:
$stringg = preg_replace('/^[\pZ\pC]+|[\pZ\pC]+$/u','',$stringg); $stringg = preg_replace('/\s+/u', '', $stringg);