字符串损坏或 preg_match 错误？

NO-BREAK SPACE 和许多其他 UTF-8 符号需要 2 个字节来表示 http://www.fileformat.info/info/unicode/char/a0/index.htm;因此，在假定的 UTF8 字符串上下文中，非 ASCII (>127) 的隔离（前面没有 xC2）字节是无法识别的字符...好吧，这只是一个布局问题（！），但是它破坏了整个字符串？

如何避免这种“非预期行为”？ （它出现在某些函数中，而不出现在其他函数中 http://www.php.net/manual/en/language.types.string.php#language.types.string.details).

示例（生成非预期行为preg_match only):

  header("Content-Type: text/plain; charset=utf-8"); // same if text/html
  //PHP Version 5.5.4-1+debphp.org~precise+1
  //using a .php file enconded as UTF8.

  $s = "THE UTF-8 NO-BREAK\xA0SPACE"; // a non-ASCII byte
  preg_match_all('/[-\'\p{L}]+/u',$s,$m);
  var_dump($m);            // empty! (corrupted)
  $m=str_word_count($s,1);
  var_dump($m);            // ok

  $s = "THE UTF-8 NO-BREAK\xC2\xA0SPACE";  // utf8-encoded nbsp
  preg_match_all('/[-\'\p{L}]+/u',$s,$m);
  var_dump($m);            // ok!
  $m=str_word_count($s,1);
  var_dump($m);            // ok

这不是一个完整的答案，因为我没有说为什么有些 PHP 函数”无效编码的字符串完全失败“而其他人则不然：请参阅问题评论中的@deceze 和@hakre 答案。 如果您正在寻找 PCRE 替代品str_word_count()，看我的preg_word_count() below.

PS：关于“PHP5的内置库行为统一” 讨论，我的结论是 PHP5 还不错，但是我们创建了很多用户定义的包装（外观）函数（参见 PHP 框架的多样性！）...或者等待 PHP6 :-)

谢谢@pebbl！如果我理解你的链接，PHP 缺少错误消息 http://php.net/manual/en/reference.pcre.pattern.modifiers.php#54805。因此，我所图示的问题的一个可能的解决方法是添加一个错误条件......我发现这里的条件 https://stackoverflow.com/a/1523574/287948（它确保有效的utf8！）...并且感谢@deceze记住存在一个内置函数来检查这个条件（我之后编辑了代码）。

将问题放在一起，将解决方案转换为函数（已编辑，感谢 @hakre 评论！），

 function my_word_count($s,$triggError=true) {
   if ( preg_match_all('/[-\'\p{L}]+/u',$s,$m) !== false )
      return count($m[0]);
   else {
      if ($triggError) trigger_error(
         // not need mb_check_encoding($s,'UTF-8'), see hakre's answer, 
         // so, I wrong, there are no 'misteious error' with preg functions
         (preg_last_error()==PREG_BAD_UTF8_ERROR)? 
              'non-UTF8 input!': 'other error',
         E_USER_NOTICE
         );
      return NULL;
   }
 }

现在（在思考@hakre答案后编辑），关于统一的行为：我们可以使用 PCRE 库开发一个合理的函数来模仿str_word_count行为，接受错误的 UTF8。对于这个任务我使用了@bobinceiconv tip https://stackoverflow.com/a/1523574/287948:

 /**
  * Like str_word_count() but showing how preg can do the same.
  * This function is most flexible but not faster than str_word_count.
  * @param $wRgx the "word regular expression" as defined by user.
  * @param $triggError changes behaviour causing error event.
  * @param $OnBadUtfTryAgain mimic the str_word_count behaviour.
  * @return 0 or positive integer as word-count, negative as PCRE error.
  */
 function preg_word_count($s,$wRgx='/[-\'\p{L}]+/u', $triggError=true,
                          $OnBadUtfTryAgain=true) {
   if ( preg_match_all($wRgx,$s,$m) !== false )
      return count($m[0]);
   else {
      $lastError = preg_last_error();
      $chkUtf8 = ($lastError==PREG_BAD_UTF8_ERROR);
      if ($OnBadUtfTryAgain && $chkUtf8) 
         return preg_word_count(
            iconv('CP1252','UTF-8',$s), $wRgx, $triggError, false
         );
      elseif ($triggError) trigger_error(
         $chkUtf8? 'non-UTF8 input!': "error PCRE_code-$lastError",
         E_USER_NOTICE
         );
      return -$lastError;
   }
 }

展示（尝试其他输入 https://stackoverflow.com/a/19274144!):

 $s = "THE UTF-8 NO-BREAK\xA0SPACE"; // a non-ASCII byte
 print "\n-- str_word_count=".str_word_count($s,0);
 print "\n-- preg_word_count=".preg_word_count($s);

 $s = "THE UTF-8 NO-BREAK\xC2\xA0SPACE";  // utf8-encoded nbsp
 print "\n-- str_word_count=".str_word_count($s,0);
 print "\n-- preg_word_count=".preg_word_count($s);