2个PHP系统上的不同正则表达式输出？答案

【问题标题】：Different regex output on 2 PHP systems?2个PHP系统上的不同正则表达式输出？
【发布时间】：2014-06-08 09:25:48
【问题描述】：

鉴于此测试脚本：

<?php

echo setlocale(LC_ALL, '') . "\n";

$in = 'Città';

$var = preg_replace('/\s+$/', '', $in);

echo bin2hex($in) . "\n";
echo bin2hex($var) . "\n";

Ubuntu 上的 PHP 5.5.3，我得到：

en_GB.UTF-8
43697474c3a0
43697474c3a0

Mac 上的 PHP 5.5.9（通过 Macports）

en_GB.UTF-8
43697474c3a0
43697474c3

Macports 版本是否有任何理由以不同方式对待 à 字符？

我知道 c3a0 在 ASCII 中被视为两个字节时，是 Ã 后跟一个不间断空格。我想知道为什么一个系统将 2 个字节视为 UTF-8 而没有 u 修饰符。

【问题讨论】：

如果您使用/u 修饰符，问题是否仍然存在？ php.net/manual/en/reference.pcre.pattern.modifiers.php 模式将是 /\s+$/u
@TimJones 使用u 修饰符，php/regex 引擎会将输入视为 UTF-8 字符串。因此，使用u 修饰符它将“识别”0xc3a0 是à，而没有u 修饰符它将“识别”它们为单独的字符0xc3 和0xa0。 0xa0 是 some kind of space，这就是它删除它的原因，因为 \s 匹配一个空格。
@HamZa 是的，这也是我的理解。我很困惑为什么 Ubuntu 系统使用 u 修饰符将0xc3a0 视为一个 unicode 字符而不使用。有什么想法吗？
请检查链接的 libpcre PHP 版本以及使用的配置。我总是建议使用捆绑版本来避免此类问题。可能 PCRE 是用不同的语言环境编译的。
您可以通过简单的测试知道差异是否来自语言环境（用于编译 pcre 模块）。尝试将à 与\w 匹配。

标签： php regex unicode

【解决方案1】：

使用/umodifier：

u (PCRE_UTF8) 此修饰符打开 PCRE 的附加功能这与 Perl 不兼容。模式字符串被视为 UTF-8。

默认情况下，字符串被视为单字节字符序列；问题是您的某些字符在 UTF-8 中被编码为多字节。虽然0xc3a0 是单个代码点，但\s 将匹配它的第二个字节0xa0，这是一个不间断的空格，因此是空格。

$var = preg_replace('/\s+$/u', '', $in);

应该启用 UTF-8 模式进行匹配，并且应该适用于所有系统。

【讨论】：

U+00A0 是不间断空格，而不是换行符（即U+000A），但无论哪种方式，它都是一个空格字符。 +1
@AlanMoore：哦，对了——我真傻。谢谢指正。