php - remove - strip_tags()

Cómo reemplazar citas codificadas por Microsoft en PHP (6)

Necesito reemplazar la versión de Microsoft Word de comillas simples y dobles ( “ ” '' '' ) con comillas regulares (''y'' '') debido a un problema de codificación en mi aplicación. No necesito que sean entidades HTML y no puedo cambiar mi esquema de base de datos.

Tengo dos opciones: usar una expresión regular o una matriz asociada.

¿Hay una mejor manera de hacer esto?

Cada una de las respuestas anteriores a excepción de @ Gumbo''s destruirá las cadenas Unicode:

echo convert_smart_quotes("This is Yi: ꑑ. Point ⒒ this breaks Yi. Yi broke–why? I need a longer––point. This makes Han 嗗 mad.");

Resultados en:

This is Yi: ?''''. Point ?'''' this breaks Yi. Yi broke?"why? I need a longer?"?"point. This makes Han ?-- mad.

El iconov:

$output = iconv(''UTF-8'', ''ASCII//TRANSLIT'', $input);

Resultados en:

PHP Notice: iconv(): Detected an illegal character in input string in php shell code on line 1

Puede cambiarlo a //IGNORE , que eliminará los caracteres, pero no los traducirá.

Esta es la mejor manera de reemplazar las comillas de Microsoft codificadas en CP1252. Si están en Unicode y necesita reemplazarlos, use la respuesta de Gumbo:

Tomado de esta respuesta , con algunas modificaciones. Si desea controlar lo que encuentra / reemplaza, use esa función.

He encontrado una respuesta a esta pregunta. Solo necesita una línea de código usando la función iconv() en php:

// replace Microsoft Word version of single and double quotations marks (“ ” ‘ ’) with regular quotes ('' and ") $output = iconv(''UTF-8'', ''ASCII//TRANSLIT'', $input);

Teniendo en cuenta que solo quieres reemplazar unos pocos personajes específicos y bien identificados, iría por str_replace con una matriz: obviamente no necesitas la artillería pesada que tu regex te traerá ;-)

Y si encuentra algunos otros caracteres especiales (maldito copiar y pegar de la palabra ...), puede agregarlos a esa matriz siempre que sea necesario / siempre que se identifiquen.

EDITAR: la mejor respuesta que puedo dar a tu comentario es probablemente este enlace: Convertir citas inteligentes con PHP

Y el código asociado (que cita esa página) :

function convert_smart_quotes($string) { $search = array(chr(145), chr(146), chr(147), chr(148), chr(151)); $replace = array("''", "''", ''"'', ''"'', ''-''); return str_replace($search, $replace, $string); }

(No tengo la palabra MS en esta computadora, por lo que no puedo hacer la prueba yo mismo)

No recuerdo exactamente lo que usamos en el trabajo (yo no era el que tenía que lidiar con ese tipo de información) , pero era el mismo tipo de cosas ...

Usamos lo siguiente. Trata con algunos personajes especiales más.

$text = str_replace(chr(130), '','', $text); // baseline single quote $text = str_replace(chr(132), ''"'', $text); // baseline double quote $text = str_replace(chr(133), ''...'', $text); // ellipsis $text = str_replace(chr(145), "''", $text); // left single quote $text = str_replace(chr(146), "''", $text); // right single quote $text = str_replace(chr(147), ''"'', $text); // left double quote $text = str_replace(chr(148), ''"'', $text); // right double quote $text = mb_convert_encoding($text, ''HTML-ENTITIES'', ''UTF-8'');

si, como yo, llegas aquí con una enorme variedad de caracteres de palabras rotas ascii / ms que hacen cosas extrañas a tu CMS o RTE e iconv no funciona, esta loca función podría ser para ti.

Asegúrese de que su codificación sea utf-8 cuando guarde esta función en un archivo.

<?php /** * fixMSWord * * Replace ascii chars with utf8. Note there are ascii characters that don''t * correctly map and will be replaced by spaces. * * @author Robin Cafolla * @date 2013-03-22 * @Copyright (c) 2013 Robin Cafolla * @licence MIT (x11) http://opensource.org/licenses/MIT */ function fixMSWord($string) { $map = Array( ''33'' => ''!'', ''34'' => ''"'', ''35'' => ''#'', ''36'' => ''$'', ''37'' => ''%'', ''38'' => ''&'', ''39'' => "''", ''40'' => ''('', ''41'' => '')'', ''42'' => ''*'', ''43'' => ''+'', ''44'' => '','', ''45'' => ''-'', ''46'' => ''.'', ''47'' => ''/'', ''48'' => ''0'', ''49'' => ''1'', ''50'' => ''2'', ''51'' => ''3'', ''52'' => ''4'', ''53'' => ''5'', ''54'' => ''6'', ''55'' => ''7'', ''56'' => ''8'', ''57'' => ''9'', ''58'' => '':'', ''59'' => '';'', ''60'' => ''<'', ''61'' => ''='', ''62'' => ''>'', ''63'' => ''?'', ''64'' => ''@'', ''65'' => ''A'', ''66'' => ''B'', ''67'' => ''C'', ''68'' => ''D'', ''69'' => ''E'', ''70'' => ''F'', ''71'' => ''G'', ''72'' => ''H'', ''73'' => ''I'', ''74'' => ''J'', ''75'' => ''K'', ''76'' => ''L'', ''77'' => ''M'', ''78'' => ''N'', ''79'' => ''O'', ''80'' => ''P'', ''81'' => ''Q'', ''82'' => ''R'', ''83'' => ''S'', ''84'' => ''T'', ''85'' => ''U'', ''86'' => ''V'', ''87'' => ''W'', ''88'' => ''X'', ''89'' => ''Y'', ''90'' => ''Z'', ''91'' => ''['', ''92'' => ''//', ''93'' => '']'', ''94'' => ''^'', ''95'' => ''_'', ''96'' => ''`'', ''97'' => ''a'', ''98'' => ''b'', ''99'' => ''c'', ''100''=> ''d'', ''101''=> ''e'', ''102''=> ''f'', ''103''=> ''g'', ''104''=> ''h'', ''105''=> ''i'', ''106''=> ''j'', ''107''=> ''k'', ''108''=> ''l'', ''109''=> ''m'', ''110''=> ''n'', ''111''=> ''o'', ''112''=> ''p'', ''113''=> ''q'', ''114''=> ''r'', ''115''=> ''s'', ''116''=> ''t'', ''117''=> ''u'', ''118''=> ''v'', ''119''=> ''w'', ''120''=> ''x'', ''121''=> ''y'', ''122''=> ''z'', ''123''=> ''{'', ''124''=> ''|'', ''125''=> ''}'', ''126''=> ''~'', ''127''=> '' '', ''128''=> ''€'', ''129''=> '' '', ''130''=> '','', ''131''=> '' '', ''132''=> ''"'', ''133''=> ''.'', ''134''=> '' '', ''135''=> '' '', ''136''=> ''^'', ''137''=> '' '', ''138''=> '' '', ''139''=> ''<'', ''140''=> '' '', ''141''=> '' '', ''142''=> '' '', ''143''=> '' '', ''144''=> '' '', ''145''=> "''", ''146''=> "''", ''147''=> ''"'', ''148''=> ''"'', ''149''=> ''.'', ''150''=> ''-'', ''151''=> ''-'', ''152''=> ''~'', ''153''=> '' '', ''154''=> '' '', ''155''=> ''>'', ''156''=> '' '', ''157''=> '' '', ''158''=> '' '', ''159''=> '' '', ''160''=> '' '', ''161''=> ''¡'', ''162''=> ''¢'', ''163''=> ''£'', ''164''=> ''¤'', ''165''=> ''¥'', ''166''=> ''¦'', ''167''=> ''§'', ''168''=> ''¨'', ''169''=> ''©'', ''170''=> ''ª'', ''171''=> ''«'', ''172''=> ''¬'', ''173''=> '''', ''174''=> ''®'', ''175''=> ''¯'', ''176''=> ''°'', ''177''=> ''±'', ''178''=> ''²'', ''179''=> ''³'', ''180''=> ''´'', ''181''=> ''µ'', ''182''=> ''¶'', ''183''=> ''·'', ''184''=> ''¸'', ''185''=> ''¹'', ''186''=> ''º'', ''187''=> ''»'', ''188''=> ''¼'', ''189''=> ''½'', ''190''=> ''¾'', ''191''=> ''¿'', ''192''=> ''À'', ''193''=> ''Á'', ''194''=> ''Â'', ''195''=> ''Ã'', ''196''=> ''Ä'', ''197''=> ''Å'', ''198''=> ''Æ'', ''199''=> ''Ç'', ''200''=> ''È'', ''201''=> ''É'', ''202''=> ''Ê'', ''203''=> ''Ë'', ''204''=> ''Ì'', ''205''=> ''Í'', ''206''=> ''Î'', ''207''=> ''Ï'', ''208''=> ''Ð'', ''209''=> ''Ñ'', ''210''=> ''Ò'', ''211''=> ''Ó'', ''212''=> ''Ô'', ''213''=> ''Õ'', ''214''=> ''Ö'', ''215''=> ''×'', ''216''=> ''Ø'', ''217''=> ''Ù'', ''218''=> ''Ú'', ''219''=> ''Û'', ''220''=> ''Ü'', ''221''=> ''Ý'', ''222''=> ''Þ'', ''223''=> ''ß'', ''224''=> ''à'', ''225''=> ''á'', ''226''=> ''â'', ''227''=> ''ã'', ''228''=> ''ä'', ''229''=> ''å'', ''230''=> ''æ'', ''231''=> ''ç'', ''232''=> ''è'', ''233''=> ''é'', ''234''=> ''ê'', ''235''=> ''ë'', ''236''=> ''ì'', ''237''=> ''í'', ''238''=> ''î'', ''239''=> ''ï'', ''240''=> ''ð'', ''241''=> ''ñ'', ''242''=> ''ò'', ''243''=> ''ó'', ''244''=> ''ô'', ''245''=> ''õ'', ''246''=> ''ö'', ''247''=> ''÷'', ''248''=> ''ø'', ''249''=> ''ù'', ''250''=> ''ú'', ''251''=> ''û'', ''252''=> ''ü'', ''253''=> ''ý'', ''254''=> ''þ'', ''255''=> ''ÿ'' ); $search = Array(); $replace = Array(); foreach ($map as $s => $r) { $search[] = chr((int)$s); $replace[] = $r; } return str_replace($search, $replace, $string); }

Las comillas codificadas por Microsoft son probablemente las comillas tipográficas . Simplemente puede reemplazarlos por str_replace si conoce la codificación de la cadena en la que desea reemplazarlos.

Aquí hay un ejemplo para UTF-8 pero usando una sola matriz de mapeo con strtr :

$quotes = array( "/xC2/xAB" => ''"'', // « (U+00AB) in UTF-8 "/xC2/xBB" => ''"'', // » (U+00BB) in UTF-8 "/xE2/x80/x98" => "''", // ‘ (U+2018) in UTF-8 "/xE2/x80/x99" => "''", // ’ (U+2019) in UTF-8 "/xE2/x80/x9A" => "''", // ‚ (U+201A) in UTF-8 "/xE2/x80/x9B" => "''", // ‛ (U+201B) in UTF-8 "/xE2/x80/x9C" => ''"'', // “ (U+201C) in UTF-8 "/xE2/x80/x9D" => ''"'', // ” (U+201D) in UTF-8 "/xE2/x80/x9E" => ''"'', // „ (U+201E) in UTF-8 "/xE2/x80/x9F" => ''"'', // ‟ (U+201F) in UTF-8 "/xE2/x80/xB9" => "''", // ‹ (U+2039) in UTF-8 "/xE2/x80/xBA" => "''", // › (U+203A) in UTF-8 ); $str = strtr($str, $quotes);

Si necesita otra codificación, puede usar mb_convert_encoding para convertir las claves.