不区分重音的子字符串匹配答案

【问题标题】：Accent-insensitive substring matching不区分重音的子字符串匹配
【发布时间】：2010-08-27 09:36:00
【问题描述】：

我有一个搜索功能，它从 InnoDB 表 (utf8_spanish_ci collation) 中获取数据并将其显示在 HTML 文档 (UTF-8 charset) 中。用户键入一个子字符串并获得一个匹配列表，其中第一个子字符串出现突出显示，例如：

Matches for "AL":

Álava
<strong>Al</strong>bacete
<strong>Al</strong>mería
Ciudad Re<strong>al</strong>
Málaga

从示例中可以看出，搜索忽略了大小写和重音差异（MySQL 会自动处理它）。但是，我用来突出显示匹配的代码无法执行后者：

<?php

private static function highlightTerm($full_string, $match){
    $start = mb_stripos($full_string, $match);
    $length = mb_strlen($match);

    return
        htmlspecialchars( mb_substr($full_string, 0, $start)) .
        '<strong>' . htmlspecialchars( mb_substr($full_string, $start, $length) ) . '</strong>' .
        htmlspecialchars( mb_substr($full_string, $start+$length) );
}

?>

是否有一种明智的方法来解决这个问题，而不意味着对所有可能的变化进行硬编码？

更新：系统规格为 PHP/5.2.14 和 MySQL/5.1.48

【问题讨论】：

标签： php utf-8 collation

【解决方案1】：

您可以使用Normalizer 将字符串规范化为字符被分解的Normalization Form KD (NFKD)，因此Á (U+00C1) 被分解为字母A (U+0041) 的组合) 和组合标记́ (U+0301):

$str = Normalizer::normalize($str, Normalizer::FORM_KD);

然后您修改搜索模式以匹配那些可选标记：

$pattern = '/('.preg_replace('/\p{L}/u', '$0\p{Mn}?', preg_quote($term, '/')).')/ui';

然后用preg_replace完成替换：

preg_replace($pattern, '<strong>$0</strong>', htmlspecialchars($str))

所以完整的方法是：

private static function highlightTerm($str, $term) {
    $str = Normalizer::normalize($str, Normalizer::FORM_KD);
    $pattern = '/('.preg_replace('/\p{L}/u', '$0\p{Mn}?', preg_quote($term, '/')).')/ui';
    return preg_replace($pattern, '<strong>$0</strong>', htmlspecialchars($str));
}

【讨论】：

不错的方法，谢谢你的想法。不幸的是，它的可用性是 (PHP 5 >= 5.3.0, PECL intl >= 1.0.0) 并且生产服务器运行 PHP/5.2.14，因此使用它意味着安装相应的 PECL 库：（

【解决方案2】：

使用 PEAR I18N_UnicodeNormalizer-1.0.0

include('…');

echo preg_replace(
 '/(\P{L})/ui', // replace all except members of Unicode class "letters", case insensitive
 '', // with nothing → drop accents
 I18N_UnicodeNormalizer::toNFKD('ÅÉÏÔÙåéïôù') // ù → u + `
);

→ AEIOUaeiou

【讨论】：