Recortar espacios en blanco unicode en PHP 5.2

Question

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

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

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

Answer 1

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

Answer 2

Quizás algo del conjunto de funciones multibyte string? 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.

G

Answer 3

PCRE unicode properties propiedades se puede utilizar para lograr este

Aquí está el código que he jugado con 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 personaje con la propiedad xx \ P {xx} un personaje sin la propiedad xx

Si xx tiene sólo un carácter, a continuación, {} puede ser disminuido , p.ej \ P {Z} es el mismo que \ pZ

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

Answer 4

Esta página puede ayudar a:

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

Answer 5

La solución existente menciona solo \pZ caracteres. Sin embargo, hay seis espacios en blanco Unicode que caen fuera del ámbito 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) 

Los seis son todos de tipo \pC y, en particular, el tipo \p{Cc}. Sin embargo, hay cincuenta y nueve caracteres no está en blanco, que también son \p{Cc}:

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

La versión simple de mi propio criterio para determinar si algo es un carácter imprimible o no es simplemente [\pZ\pC]; eso es lo que usa unichars, por ejemplo.

Una prueba más cuidadosa consideraría si algo ocuparía 0, 1 o 2 posiciones de impresión. Eso requiere considerar si se trata de una marca combinada, que es la propiedad \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 ésas, necesitaría usar la propiedad no binaria de 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 

Aquellos tienen abreviaturas como \p{Ea=F} y \p{Ea=H}. Hay un montón de ellos:

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

Por supuesto, no hay que ir de nombres para estas cosas, pero en las 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 

a mostrar cómo muchos, muchos propiedades estas cosas realmente tienen, aquí está la copia completa propiedad de tres personajes diferentes, correr contra el 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 has leído hasta aquí y me gustaría saber dónde conseguir los tres utilidades Unicode ilustrados anteriormente, uniprops, unichars, y uninames, por favor me envía el correo, ya que los vínculos actuales no están funcionando en este momento.

Answer 6

sin embargo aquí 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);