从字符串 PHP 中去除多字节空格

我正在尝试使用 preg_replace 来消除日语全角空格“　“来自字符串输入，但最终得到一个损坏的多字节字符串。

我更喜欢 preg_replace 而不是 str_replace。 这是示例代码：

$keywords = '　ラメ単色';
$keywords = str_replace(array(' ', '　'), ' ', urldecode($keywords)); // outputs :'ラメ単色'

$keywords = preg_replace("@[ 　]@", ' ',urldecode($keywords)); // outputs :'�� ��単色'

  

任何人都知道为什么会这样以及如何纠正这种情况？

Add the u标记到您的正则表达式。这使得 RegEx 引擎将输入字符串视为 UTF-8。

$keywords = preg_replace("@[ 　]@u", ' ',urldecode($keywords));
// outputs :'ラメ単色'

CodePad http://codepad.viper-7.com/0kmBb4.

它破坏字符串的原因是因为对于正则表达式引擎来说，您的替换字符，20（空格）或e3 80 80（IDEOGRAPHIC SPACE）不被视为两个字符，而是单独的字节20, e3 and 80.

当您查看要扫描的字符串的字节序列时，我们得到e3 80 80 e3 83 a9 e3 83 a1 e5 8d 98 e8 89 b2。我们知道第一个字符是表意空间，但由于 PHP 将其视为字节序列，因此它会单独替换前四个字节，因为它们与正则表达式引擎正在扫描的各个字节相匹配。

至于导致 �（替换字符）的损坏，我们可以看到发生这种情况是因为字节e3存在于字符串中更远的位置。这e3byte 是三字节长的日语字符的起始字节，例如e3 83 a9（片假名字母 RA）。当那领先e3被替换为20（空格），它不再成为有效的 UTF-8 序列。

当您启用u标志，RegEx 引擎将字符串视为 UTF-8，并且不会按字节处理字符类中的字符。