如何使用 PHP 检测 4 字节字符答案

【问题标题】：How to detect 4-byte characters using PHP如何使用 PHP 检测 4 字节字符
【发布时间】：2020-02-28 09:57:00
【问题描述】：

我需要帮助来使用 PHP 检测字符串何时包含 4 字节字符。是否有内置函数或正则表达式可以有效地做到这一点？

我找到了这篇关于替换的文章，但我找不到一个可以检测到的工作示例。

Can php detect 4-byte encoded utf8 chars?

这大约是我得到的，但它也失败了：

$chars = str_split($term);
foreach ($chars as $char) {
    if (strlen($char) >= 4) {
        print "Found 4-byte character\n";
    }
}

【问题讨论】：

str_split 将拆分字节，而不是字符
检测到它们后你想做什么？删除、计数、收集成数组？
@Dharman 使用它从列表中删除关键字。

标签： php unicode

【解决方案1】：

可以使用正则匹配BMP以外的所有字符，即U+FFFF以上Unicode空间中的所有字符

$str = '€?A?¢';

$r = preg_match_all('|[\x{10000}-\x{10FFFF}]|u', $str, $matches);

var_dump($matches[0]);

在这里试试：https://3v4l.org/JX9aQ

有趣的事实。如果您使用的是 PHP 7.4，您可以使用 mb_str_split() 和 array_filter() 来做到这一点。我认为它不会比正则表达式更有效，但很高兴知道。

$nonBMP = array_filter(mb_str_split($str), fn($c) => strlen($c)==4);

【讨论】：

【解决方案2】：

如果您使用的是 utf8 字符，则必须使用多字节字符串函数。这些函数允许您显示字符串中每个字符的字节数，类似于您的代码：

$string = '€?A?¢';
for($i=0; $i < mb_strlen($string); $i++){
  $mbChar = mb_substr($string,$i,1);
  echo $mbChar." (".strlen($mbChar)." Byte)<br>\n";
}

输出：

€ (3 Byte)
? (4 Byte)
A (1 Byte)
? (4 Byte)
¢ (2 Byte)

这个答案更便于理解。要查找 4 字节 UTF8 字符，@Dharman 所示的正则表达式更短且更快。

【讨论】：