是PHP str

 

我想在UTF-8字符串上使用str_word_count() 。

这在PHP中安全吗？ 在我看来，它应该是（特别是考虑到没有mb_str_word_count() ）。

但在php.net上，有很多人通过展示他们自己的'多字节兼容'版本的功能来混淆水。

所以我想我想知道...

  • 鉴于str_word_count只是简单地计算所有由" " （空格）分隔的字符序列，所以对多字节字符串应该是安全的，即使它不一定知道字符序列，对吧？

  • UTF-8中是否有任何等效的“空格”字符，它们不是ASCII " " （空格）？＃

    • 我猜这就是问题所在。

    我会说你猜对了。 实际上UTF-8中有空格字符，它们不是US-ASCII的一部分。 给你一个这样的空间的例子：

  • Unicode字符'NO-BREAK SPACE'（U + 00A0）：UTF-8中的2个字节：0xC2 0xA0（c2a0）

    • 也许还有：

  • Unicode字符'NEXT LINE（NEL）'（U + 0085）：UTF-8中的2个字节：0xC2 0x85（c285）
  • Unicode字符'LINE SEPARATOR'（U + 2028）：UTF-8中的3字节：0xE2 0x80 0xA8（e280a8）
  • Unicode字符'PARAGRAPH SEPARATOR'（U + 2029）：UTF-8中的3个字节：0xE2 0x80 0xA8（e280a8）

    • 无论如何，第一个 - 'NO-BREAK SPACE'（U + 00A0） - 就是一个很好的例子，因为它也是Latin-X字符集的一部分。 而且PHP手册已经提供了一个提示，即str_word_count将取决于语言环境。

    如果我们想要把它作为一个测试，我们可以设置语言环境为UTF-8，传递一个包含xA0序列的无效字符串，如果这仍然算作断字符，那么该函数显然不是UTF-8安全的，因此不是多字节安全的（如同每个问题一样没有定义）： 

    <?php
/**
 * is PHP str_word_count() multibyte safe?
 * @link https://stackoverflow.com/q/8290537/367456
 */

echo 'New Locale: ', setlocale(LC_ALL, 'en_US.utf8'), "nn";

$test   = "awordxA0bword aword";
$result = str_word_count($test, 2);

var_dump($result);

    输出： 

    New Locale: en_US.utf8

array(3) {
  [0]=>
  string(5) "aword"
  [6]=>
  string(5) "bword"
  [12]=>
  string(5) "aword"
}

    正如本演示所示，该函数完全失败了它在手册页上给出的语言环境承诺（我不奇怪也不会呻吟），大多数情况下，如果您阅读某个函数是PHP中的语言环境特定的，运行您的生活并找到一个这不是）我在这里利用它来证明它绝不会对UTF-8字符编码做任何事情。

    相反，对于UTF-8，您应该查看PCRE扩展：

  • 在PCRE / PHP中匹配Unicode字母字符

    • PCRE对PHP中的Unicode和UTF-8具有很好的理解。 如果您仔细制作正则表达式模式，它也可以相当快。

    关于“模板答案” - 我不明白需求“工作得更快”。 我们不是在讨论很长一段时间或很多次数，所以谁在乎是否需要几毫秒的时间呢？

    但是，使用软连字符的str_word_count： 

    function my_word_count($str) {
  return str_word_count(str_replace("xC2xAD",'', $str));
}

    一个符合断言的函数（但可能不会比str_word_count更快）： 

    function my_word_count($str) {
  $mystr = str_replace("xC2xAD",'', $str);        // soft hyphen encoded in UTF-8
  return preg_match_all('~[p{L}'-]+~u', $mystr); // regex expecting UTF-8
}

    preg函数与已经提出的基本相同，除了a）它已经返回一个计数，所以不需要提供匹配，这应该使它更快，并且b）实际上不应该是iconv后备，IMO。

    关于评论：

    我可以看到，你的PCRE函数比我的preg_word_count（）要慢（性能），因为需要一个你不需要的str_replace：'〜[^ p {L} ' - xC2 xAD] +〜'' ！）。

    我认为一个不同的东西，字符串替换只会删除多字节字符，但你的正则表达式将以它们可能出现的任何顺序处理xC2和xAD ，这是错误的。 考虑一个注册的标志，它是 xC2 xAE。

    然而，现在我认为由于有效的UTF-8工作方式，这并不重要，所以应该同样适用。 所以我们可以拥有这个功能 

    function my_word_count($str) {
  return preg_match_all('~[p{L}'-xC2xAD]+~u', $str); // regex expecting UTF-8
}

    不需要任何匹配或其他替换。

    关于str_word_count（str_replace（“ xC2 xAD”，''，$ str））;如果用UTF8稳定，很好，但似乎不是。

    如果你阅读这个线程，你会知道str_replace是安全的，如果你坚持有效的UTF-8字符串。 我没有看到任何相反的证据。

    EDITED（显示新的线索）：在PHP v5.1中使用str_word_count()有一个可能的解决方案！ 

    function my_word_count($str, $myLangChars="àáãâçêéíîóõôúÀÁÃÂÇÊÉÍÎÓÕÔÚ") { 
    return str_word_count($str, 0, $myLangChars);
}

    但不是100％，因为我尝试添加到$ myLangChars xC2xAD （SHY - SOFT HYPHEN字符），它必须是任何语言的单词组件，并且不起作用 （请参阅参考资料）。

    另一个不是很快，而是基于PCRE库的完整而灵活的解决方案（从这里提取），但是可以选择模仿无效的UTF8上的str_word_count()行为： 

     /**
  * 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 $OnBadUtfTryAgain when true mimic the str_word_count behaviour.
  * @return 0 or positive integer as word-count, negative as PCRE error.
  */
 function preg_word_count($s,$wRgx='/[-'p{L}xC2xAD]+/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;
   }
 }

    （模板答案）帮助赏金！

    （这不是答案，是对赏金的帮助，因为我不能编辑以复制问题）

    我们希望以UTF-8最新文本来计算“真实世界的词汇”。

    对于BOUNTY，我们需要：

  • 一个符合下面的assert并比str_word_count更快的str_word_count ;
  • 或str_word_count使用SHY字符（如何？）;
  • 或preg_word_count工作更快（使用preg_replace？分词正则表达式？）。

    • ASSERTS

    假设存在“多字节安全”函数my_word_count() ，则以下断言必须为真： 

    assert_options(ASSERT_ACTIVE, 1);

$text = "1,2,3,4=0 (1 2 3 4)=0 (... ,.)=0  (2.5±0.1; 0.5±0.2)=0";
assert( my_word_count($text)==0 ); // no word there 

$text = "(one two,three;four)=4 (five-six sexC2xADven)=2";
assert( my_word_count($text)==6 ); // hyphen merges two words 

$text = "(um±dois três)=3 (àáãâçêéíîóõôúÀÁÃÂÇÊÉÍÎÓÕÔÚ)=1";
assert( my_word_count($text)==4 ); // a UTF8 case 

$text = "(ÍSÔ9000-X, ISÔ 9000-X, ÍSÔ-9000-X)=6"; //Codes are words?
assert( my_word_count($text)==6 ); // suppose no: X is another word
    链接地址: http://www.djcxy.com/p/10175.html

    上一篇: is PHP str

    下一篇: How can I monitor and get http traffic in an android application?