php - online - regular expression

Recortar espacios en blanco Unicode en PHP 5.2

Question

¿Cómo puedo recortar una string(6) " page" , donde el primer espacio en blanco es un espacio sin interrupción 0xc2a0?

Probé trim() y preg_match(''/^/s*(.*)/s*$/u'', $key, $m); .

Otra pregunta: ¿cómo puedo copiar de manera confiable estos personajes? Parecen convertirse en espacios "normales", lo que dificulta la depuración.

Answer 1

Esta página puede ayudar:

http://nadeausoftware.com/articles/2007/9/php_tip_how_strip_punctuation_characters_web_page

Answer 2

La solución existente solo menciona caracteres /pZ . Sin embargo, hay seis caracteres de espacio en blanco Unicode que quedan fuera del alcance de esa propiedad:

% unichars ''/p{WhiteSpace}'' ''/PZ''
 --    9 0009 CHARACTER TABULATION
 --   10 000A LINE FEED (LF)
 --   11 000B LINE TABULATION
 --   12 000C FORM FEED (FF)
 --   13 000D CARRIAGE RETURN (CR)
 --  133 0085 NEXT LINE (NEL)

Esos seis son todos de tipo /pC y, en particular, tipo /p{Cc} . Sin embargo, hay cincuenta y nueve caracteres que no son espacios en blanco que también son /p{Cc} :

% unichars ''/P{WhiteSpace}'' ''/p{Cc}'' | wc -l
      59

La versión simple de mi propia prueba para saber si algo es un personaje imprimible o no es simplemente [/pZ/pC] ; eso es lo que usa unichars , por ejemplo.

Una prueba más cuidadosa consideraría si algo debería ocupar 0, 1 o 2 posiciones de impresión. Eso requiere considerar si se trata de una combinación de Mark, que es property /pM , y también si tiene las propiedades de ancho medio o ancho completo. Por ejemplo:

% uniprops ff5e ffeb
U+FF5E ‹～› /N{ FULLWIDTH TILDE }:
    /pS /p{Sm}
    All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded
       CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base Graph GrBase Math
       Math_Symbol Print Symbol
U+FFEB ‹￫› /N{ HALFWIDTH RIGHTWARDS ARROW }:
    /pS /p{Sm}
    All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded
       CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base Graph GrBase Math
       Math_Symbol Print Symbol

Para ellos, necesitaría usar la propiedad no binaria East Asian Width. Estos son aplicables:

% uniprops -l | grep -i width
Block:Halfwidth_And_Fullwidth_Forms
InHalfwidthAndFullwidthForms
East_Asian_Width:A
East_Asian_Width=Ambiguous
East_Asian_Width:Ambiguous
East_Asian_Width:F
East_Asian_Width=Fullwidth
East_Asian_Width:Fullwidth
East_Asian_Width:H
East_Asian_Width=Halfwidth
East_Asian_Width:Halfwidth
East_Asian_Width=Neutral
East_Asian_Width:Na
East_Asian_Width=Narrow
East_Asian_Width:Narrow
East_Asian_Width:Neutral
East_Asian_Width:W
East_Asian_Width=Wide
East_Asian_Width:Wide

Esos tienen abreviaturas como /p{Ea=F} y /p{Ea=H} . Hay muchos de estos:

% uninames ''(FULL|HALF)WIDTH'' | wc -l
     454

Por supuesto, no debe seguir nombres para estas cosas, sino en propiedades:

% unichars ''[/p{Ea=F}/p{Ea=H}]'' | wc -l
     227
% unichars ''[/p{Ea=F}/p{Ea=H}/p{Ea=Na}]'' | wc -l
     338
% unichars ''[/p{Ea=F}/p{Ea=H}/p{Ea=Na}/pM]'' | wc -l
    1488

Para mostrarle cuántas, muchas propiedades tienen estas cosas, aquí está el volcado de propiedad completo de tres caracteres diferentes, ejecutados contra Unicode 5.2:

% uniprops -ga NEL "COMBINING TILDE" ff5e 
U+0085 ‹U+0085› /N{ NEXT LINE (NEL) }:
    /s /v /R /pC /p{Cc}
    All Any Assigned InLatin1 C Other Cc Cntrl Common Zyyy Control Pat_WS Pattern_White_Space PatWS Space SpacePerl VertSpace
       White_Space WSpace
    Age:1.1 Bidi_Class:B Bidi_Class=Paragraph_Separator Bidi_Class:Paragraph_Separator Bc=B Block:Latin_1
       Block=Latin_1_Supplement Block:Latin_1_Supplement Blk=Latin1 General_Category=Other Canonical_Combining_Class:0
       Canonical_Combining_Class=Not_Reordered Canonical_Combining_Class:Not_Reordered Ccc=NR Canonical_Combining_Class:NR
       General_Category=Control Script=Common Decomposition_Type:None Dt=None East_Asian_Width=Neutral East_Asian_Width:Neutral
       General_Category:C General_Category:Cc General_Category:Cntrl General_Category:Control Gc=Cc General_Category:Other Gc=C
       Grapheme_Cluster_Break:CN Grapheme_Cluster_Break=Control Grapheme_Cluster_Break:Control GCB=CN Hangul_Syllable_Type:NA
       Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Joining_Group:No_Joining_Group
       Jg=NoJoiningGroup Joining_Type:Non_Joining Jt=U Joining_Type:U Joining_Type=Non_Joining Line_Break:Next_Line Lb=NL
       Line_Break:NL Line_Break=Next_Line Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1 Age=1.1 In=1.1
       Present_In:2.0 In=2.0 Present_In:2.1 In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2 In=3.2
       Present_In:4.0 In=4.0 Present_In:4.1 In=4.1 Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2
       Script:Common Sc=Zyyy Script:Zyyy Sentence_Break:SE Sentence_Break=Sep Sentence_Break:Sep SB=SE Word_Break:Newline WB=NL
       Word_Break:NL Word_Break=Newline
U+0303 ‹̃› /N{ COMBINING TILDE }:
    /w /pM /p{Mn}
    All Any Assigned InCombiningDiacriticalMarks Case_Ignorable CI Dia Diacritic M Mn Gr_Ext Grapheme_Extend Graph GrExt
       ID_Continue IDC Inherited Zinh Mark Nonspacing_Mark Print Qaai Word XID_Continue XIDC
    Age:1.1 Bidi_Class:Nonspacing_Mark Bc=NSM Bidi_Class:NSM Bidi_Class=Nonspacing_Mark Block:Combining_Diacritical_Marks
       Canonical_Combining_Class:230 Canonical_Combining_Class=Above Canonical_Combining_Class:A
       Canonical_Combining_Class:Above Ccc=A Decomposition_Type:None Dt=None East_Asian_Width:A East_Asian_Width=Ambiguous
       East_Asian_Width:Ambiguous Ea=A General_Category:M General_Category=Mark General_Category:Mark Gc=M General_Category:Mn
       General_Category=Nonspacing_Mark General_Category:Nonspacing_Mark Gc=Mn Grapheme_Cluster_Break:EX
       Grapheme_Cluster_Break=Extend Grapheme_Cluster_Break:Extend GCB=EX Hangul_Syllable_Type:NA
       Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Script=Inherited
       Joining_Group:No_Joining_Group Jg=NoJoiningGroup Joining_Type:T Joining_Type=Transparent Joining_Type:Transparent Jt=T
       Line_Break:CM Line_Break=Combining_Mark Line_Break:Combining_Mark Lb=CM NFC_Quick_Check:M NFC_Quick_Check=Maybe
       NFC_Quick_Check:Maybe NFCQC=M NFKC_Quick_Check:M NFKC_Quick_Check=Maybe NFKC_Quick_Check:Maybe NFKCQC=M
       Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1 Age=1.1 In=1.1 Present_In:2.0 In=2.0 Present_In:2.1
       In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2 In=3.2 Present_In:4.0 In=4.0 Present_In:4.1 In=4.1
       Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2 Script:Inherited Sc=Zinh Script:Qaai Script:Zinh
       Sentence_Break:EX Sentence_Break=Extend Sentence_Break:Extend SB=EX Word_Break:Extend WB=Extend
U+FF5E ‹～› /N{ FULLWIDTH TILDE }:
    /pS /p{Sm}
    All Any Assigned InHalfwidthAndFullwidthForms Changes_When_NFKC_Casefolded CWKCF Common Zyyy Sm S Gr_Base Grapheme_Base
       Graph GrBase Math Math_Symbol Print Symbol
    Age:1.1 Bidi_Class:ON Bidi_Class=Other_Neutral Bidi_Class:Other_Neutral Bc=ON Block:Halfwidth_And_Fullwidth_Forms
       Canonical_Combining_Class:0 Canonical_Combining_Class=Not_Reordered Canonical_Combining_Class:Not_Reordered Ccc=NR
       Canonical_Combining_Class:NR Script=Common Decomposition_Type:Non_Canon Decomposition_Type=Non_Canonical
       Decomposition_Type:Non_Canonical Dt=NonCanon Decomposition_Type:Wide Dt=Wide East_Asian_Width:F
       East_Asian_Width=Fullwidth East_Asian_Width:Fullwidth Ea=F General_Category:Math_Symbol Gc=Sm General_Category:S
       General_Category=Symbol General_Category:Sm General_Category=Math_Symbol General_Category:Symbol Gc=S
       Grapheme_Cluster_Break:Other GCB=XX Grapheme_Cluster_Break:XX Grapheme_Cluster_Break=Other Hangul_Syllable_Type:NA
       Hangul_Syllable_Type=Not_Applicable Hangul_Syllable_Type:Not_Applicable Hst=NA Joining_Group:No_Joining_Group
       Jg=NoJoiningGroup Joining_Type:Non_Joining Jt=U Joining_Type:U Joining_Type=Non_Joining Line_Break:ID
       Line_Break=Ideographic Line_Break:Ideographic Lb=ID Numeric_Type:None Nt=None Numeric_Value:NaN Nv=NaN Present_In:1.1
       Age=1.1 In=1.1 Present_In:2.0 In=2.0 Present_In:2.1 In=2.1 Present_In:3.0 In=3.0 Present_In:3.1 In=3.1 Present_In:3.2
       In=3.2 Present_In:4.0 In=4.0 Present_In:4.1 In=4.1 Present_In:5.0 In=5.0 Present_In:5.1 In=5.1 Present_In:5.2 In=5.2
       Script:Common Sc=Zyyy Script:Zyyy Sentence_Break:Other SB=XX Sentence_Break:XX Sentence_Break=Other Word_Break:Other
       WB=XX Word_Break:XX Word_Break=Other

Bastante impresionante, ¿eh?

Si ha leído hasta aquí y le gustaría saber dónde obtener las tres utilidades Unicode ilustradas arriba, uniprops , unichars , y uninames , por favor envíeme un correo, porque los enlaces actuales no están funcionando en este momento.

Answer 3

Las propiedades de propiedades PCRE Unicode se pueden usar para lograr esto

Aquí está el código con el que jugué y parece hacer lo que quiere:

<?php
function unicode_trim ($str) {
    return preg_replace(''/^[/pZ/pC]+([/PZ/PC]*)[/pZ/pC]+$/u'', ''$1'', $str);
}

$key = chr(0xc2) . chr(0xa0) . ''#page#'' . chr(0xc2) . chr(0xa0);

var_dump(unicode_trim($key));

Resultado

[~]> php e.php
string(6) "#page#"

Explicación:

/ p {xx} un carácter con la propiedad xx / P {xx} un carácter sin la propiedad xx

Si xx tiene solo un carácter, entonces {} puede soltarse, por ejemplo, / p {Z} es lo mismo que / pZ

Z representa todos los separadores, C representa todos los "otros" caracteres (por ejemplo, caracteres de control)

Answer 4

Sin embargo, esta es mi ÚNICA solución , porque a veces hay espacios UTF8:

$stringg = preg_replace(''/^[/pZ/pC]+|[/pZ/pC]+$/u'','''',$stringg);
$stringg = preg_replace(''//s+/u'', '''', $stringg);

Answer 5

Tal vez algo del conjunto de funciones de cadenas multibyte? http://php.net/manual/en/function.mb-ereg.php No se puede ver mb_trim, pero hay un conjunto de funciones de expresiones regulares seguras de MB.

GRAMO

Answer 6

preg_replace(''/^[/pZ/pC]+|[/pZ/pC]+$/u'','''',$str);