将字符串转换为字符数组 - 多字节

Question

假设在 2019 年，所有非 UNICODE 安全的解决方案都是错误的。将字符串转换为 PHP 中的 UNICODE 字符数组的最佳方法是什么？

显然这意味着使用大括号语法访问字节是错误的，以及使用 str_split:

$arr = str_split($text);

来自示例输入，例如：

$string = '先éé€‍ ‍❤️‍';

我预计：

array(16) {


[0]=>
  string(3) "先"
  [1]=>
  string(2) "é"
  [2]=>
  string(1) "e"
  [3]=>
  string(2) "́"
  [4]=>
  string(3) "€"
  [5]=>
  string(4) ""
  [6]=>
  string(4) ""
  [7]=>
  string(4) ""
  [8]=>
  string(3) "‍"
  [9]=>
  string(1) " "
  [10]=>
  string(4) ""
  [11]=>
  string(3) "‍"
  [12]=>
  string(3) "❤"
  [13]=>
  string(3) "️"
  [14]=>
  string(3) "‍"
  [15]=>
  string(4) ""
}

Answer 1

这对我有用，它将一个 unicode 字符串分解为一个字符数组：

//
// split at all position not after the start: ^
// and not before the end: $, with unicode modifier
// u (PCRE_UTF8).
//
$arr = preg_split("/(?<!^)(?!$)/u", $text);

例如：

<?php
//
$text = "堆栈溢出";

$arr = preg_split("/(?<!^)(?!$)/u", $text);

echo '<html lang="fr">
<head>
<meta http-equiv="content-type" content="text/html; charset=UTF-8" />
</head>
<body>
';

print_r($arr);

echo '</body>
</html>
';
?>

在浏览器中，它产生这个：

Array ( [0] => 堆 [1] => 栈 [2] => 溢 [3] => 出 )

Answer 2

只需传递带有 PREG_SPLIT_NO_EMPTY 标志的空模式。否则，您可以使用 \X（unicode 点）和 \K（重新启动全字符串匹配）来编写模式。我将包括一个 mb_split() 调用和一个 preg_match_all() 完整性调用。

代码：(Demo)

$string='先秦兩漢';
var_export(preg_split('~~u', $string, 0, PREG_SPLIT_NO_EMPTY));
echo "\n---\n";
var_export(preg_split('~\X\K~u', $string, 0, PREG_SPLIT_NO_EMPTY));
echo "\n---\n";
var_export(preg_split('~\X\K(?!$)~u', $string));
echo "\n---\n";
var_export(mb_split('\X\K(?!$)', $string));
echo "\n---\n";
var_export(preg_match_all('~\X~u', $string, $out) ? $out[0] : []);

所有农产品::

array (
  0 => '先',
  1 => '秦',
  2 => '兩',
  3 => '漢',
)

来自 https://www.regular-expressions.info/unicode.html：

How to Match a Single Unicode Grapheme

Matching a single grapheme, whether it's encoded as a single code point, or as multiple code points using combining marks, is easy in Perl, PCRE, PHP, Boost, Ruby 2.0, Java 9, and the Just Great Software applications: simply use \X.

You can consider \X the Unicode version of the dot. There is one difference, though: \X always matches line break characters, whereas the dot does not match line break characters unless you enable the dot matches newline matching mode.

更新，DHarman 提醒我 mb_str_split() 现在可以从 PHP7.4.

获得

新函数的默认长度参数为1，所以本例可以省略长度参数。

https://wiki.php.net/rfc/mb_str_split

Dharman 的演示：https://3v4l.org/M85Fi/rfc#output

将字符串转换为字符数组 - 多字节

Convert a String into an Array of Characters - multi-byte

php

regex

unicode

split

multibyte-characters