为什么PHP'；s preg_将希伯来文字母拆分为“נ”；在UTF-8中，在“上拆分时\s”；？

这不起作用，它会变成胡言乱语：

$foo = 'נ';
$bar = mb_convert_encoding($foo, 'UTF-8', mb_detect_encoding($foo));
print_r(preg_split('/\s/', $bar));

数组（[0]=>� [1] =>）

但这是可行的：

$foo = 'נ';
$bar = mb_convert_encoding($foo, 'ISO-8859-8', mb_detect_encoding($foo));
$baz = preg_split('/\s/', $bar);
echo(mb_convert_encoding($baz[0], 'UTF-8', 'ISO-8859-8'));

נ

---

问题只出在字母“

נ

”上。它适用于所有其他希伯来文字母。有解决方案吗？

处理UTF-8数据时，请始终在模式中使用：

/\s/u

因为否则该模式不会被解释为UTF-8

与本例类似，字符

נ

（U+05E0）在UTF-8中用0xD7A0编码。和

\s

表示任何空白字符（根据）：

\s

字符为HT（9）、LF（10）、FF（12）、CR（13）和空格（32）

在添加UTF-8支持时，他们还添加了一个名为PCRE\U UCP的特殊选项，使其具有

\b

、

\d

、

\s

和

\w

不仅匹配US-ASCII字符，还通过其Unicode属性匹配其他Unicode字符：

默认情况下，在UTF-8模式下，值大于128的字符从不匹配

\d

、

\s

或

\w

，并且始终匹配

\d

、

\s

和

\w

。[…]但是，如果使用Unicode属性支持编译PCRE，并且设置了PCRE_UCP选项，则会更改行为，以便使用Unicode属性确定字符类型，如下所示：

• \d

  与

  \p{Nd}

  匹配的任何字符（十进制数字）

• \s

  匹配的任何字符，加上HT、LF、FF、CR

• \w

  与

  \p{L}

  或

  \p{N}

  匹配的任何字符，加下划线

非中断空间U+00A0具有分隔符（

\p{Z}

）的属性

因此，尽管您的模式未处于UTF-8模式，但似乎

\s

与UTF-8码字0xD7A0中的0xA0匹配，在该位置拆分字符串并返回一个与

数组（“\xD7”，”）

等效的数组

---

这显然是一个错误，因为模式不是UTF-8模式，但0xA0大于0x80（此外，0xA0将被编码为0xC2A0）。可能与此相关。

@happytoad:我已经为这种特定行为添加了一些可能的解释。对Unicode字符和Unicode属性之间的关系感兴趣的人，包括

\s

和

\v

（垂直空间）和

\h

（水平空间）等内容应该抓取我的两个基本实用程序，然后。包括说明和示例。还有第三个相关的程序，你可能也喜欢。