PHP 中的正则表达式：匹配 UTS18 标准答案

【问题标题】：Regular Expressions in PHP: Matching to the UTS18 standardPHP 中的正则表达式：匹配 UTS18 标准
【发布时间】：2012-06-21 02:07:10
【问题描述】：

Unicode Common Locale Data Repository (CLDR) 包含大量有关语言和字符之间关系的信息。例如，您可以通过查看misc.exemplarCharacters 图表来确定特定语言中使用了哪些字符。这些图表的原始数据存储为 XML 文件，示例字符存储为符合 Unicode 正则表达式标准 UTS18 的正则表达式。

以下是一些 UTS18 正则表达式的示例：

1. [a à b c ç d e é è f g h i í ï j k l ŀ m n o ó ò p q r s t u ú ü v w x y z]
2. [অ আ ই ঈ উ ঊ ঋ এ ঐ ও ঔ ং \u0981 ঃ ক খ গ ঘ ঙ চ ছ জ ঝ ঞ ট ঠ ড {ড\u09BC}ড় ঢ {ঢ\u09BC}ঢ় ণ ত থ দ ধ ন প ফ ব ভ ম য {য\u09BC} ৰ ল ৱ শ ষ স হ া ি ী \u09C1 \u09C2 \u09C3 ে ৈ ো ৌ \u09CD]
3. [a á b ɓ c d ɗ e é ɛ {ɛ\u0301} f g i í j k l m n {ny} ŋ o ó ɔ {ɔ\u0301} p r s t u ú ū w y]

我正在使用 PHP 和 SimpleXML 来解析 XML 数据并隔离这些正则表达式字符串。现在，我想将单个多字节字符与这些正则表达式匹配。我目前正在使用mb_ereg_match 函数，它会产生以下一个或多个警告（取决于正则表达式）：

mbregex compile err: premature end of char-class in ...
mbregex compile err: empty range in char class in ...
mbregex compile err: empty char-class in ...

关于为什么这不起作用的任何想法？

【问题讨论】：

您是否设置了 mb_internal_encoding 和 mb_regex_encoding？请在你使用 mb_ereg_match 的地方显示你的代码

标签： php regex unicode

【解决方案1】：

按照 Sergey 的建议，我在调用 mb_ereg_match() 函数之前添加了以下几行：

mb_internal_encoding('UTF-8');
mb_regex_encoding('UTF-8');

此添加消除了上面列出的两个警告。我只剩下以下警告：

mbregex compile err: empty char-class in ...

经过一些额外的调试，我发现少数 CLDR XML 文件实际上包含空的正则表达式字符串。例如，在kn.xml 中，我们有以下行：

<exemplarCharacters type="auxiliary">[]</exemplarCharacters>

我认为这些行是错误的，因为预期的行为是完全不使用该行（这在整个 CLDR 中大多是这种情况）。

因此，我可以通过简单地丢弃空的正则表达式字符串来消除最后一个错误。

希望这对其他人有帮助！

【讨论】：