PHP 正则表达式右双引号错误

Question

我有一个函数，可以从较长的字符串中查找并提取 3 个单词“ strip ”到数组中。单词旁边的标点符号应包含在单词中(例如，后跟逗号的单词应被视为单个单词)。

它工作正常除了在一个 UTF-8 字符 - 双右引号 (U+201D - ”) 上。

我的正则表达式是否做错了什么，或者这是一个 PHP 错误？

正则表达式是:

$myarray = preg_match_all(
    "/(\S)*(\s)(\S)*(\s)(\S)*(\s)/",
    $incomingstring,
    $output, 
    PREG_PATTERN_ORDER);

奇怪的是，正则表达式对于双左引号(U+201C - “)或我尝试过的其他一些unicode字符没有问题。

Answer 1

当被视为单字节字符时，”被视为0xE2、0x80、0x9D

同样，“变为0xE2、0x80、0x9C

区别在于最后一个字节之间。在一种情况下，您会得到 0x9C，另一种情况会得到 0x9D。在 Windows-1252 编码(这是常见的默认值，经常被错误标记为 ISO-8859-1)中，0x9C 是 –，但 0x9D 未定义。这会导致 \S 和 \s 出现不可预测的行为，从而导致您的正则表达式损坏。

正如最后在评论中指出的那样，解决方案是使用 u 修饰符告诉您的正则表达式以 UTF-8 而不是单个字节工作。