正则表达式正在销毁我的UTF-8XML（PHP）

我有个问题。。我有一个代码，下载一些XML文件并删除一些我不需要的标记。从那以后，一切都被发现了。我的XML文件是UTF-8格式的，没有问题

但是，由于我添加了一个代码来替换和更改标题值，我的XML文件在UTF-8中不长，因此我收到以下错误消息：

"D:\Anwendung\PHP 7\php-win.exe" C:\Users\Jan\PhpstormProjects\censored\test.php
PHP Warning:  DOMDocument::load(): Input is not proper UTF-8, indicate encoding !
Bytes: 0xE3 0xA4 0x63 0x68 in file:/C:/Users/Jan/PhpstormProjects/censored/data/gamesplanet.xml, line: 1423 in C:\Users\Jan\PhpstormProjects\censored\test.php on line 18
PHP Fatal error:  Uncaught Error: Call to a member function getElementsByTagName() on null in C:\Users\Jan\PhpstormProjects\censored\test.php:23
Stack trace:
#0 C:\Users\Jan\PhpstormProjects\censored\test.php(86): countAd('data/gamesplane...')
#1 {main}
  thrown in C:\Users\Jan\PhpstormProjects\censored\test.php on line 23

Process finished with exit code 255

第1423行代表：

W㥣赫特尔·冯·米特勒德

如果我不仔细阅读下面的代码，我就不会收到错误消息，这条消息出现在第1423行：

Wächter von mittlerde

有人有主意能帮我吗

代码：

---

你好，谢谢

您应该使用

u

修饰符激活模式的unicode模式。这意味着您将匹配unicode字符和代码点，而不是单个字节。

Wächter

中的

ä

由多个字节组成，其中一个字节在单字节模式下被解释为字尾

preg_match('(.)u', 'äöü', $match);
var_dump($match);

输出：

array(1) {
  [0]=>
  string(2) "ä"
}

string(4) "_ö_"

如您所见，该示例匹配第一个字符，而不仅仅是第一个字节。 接下来是使用数组作为

preg\u replace（）

的参数的可能性。这允许您简化调用

var_dump(preg_replace(['(ä)u', '(ü)u'], '_', 'äöü'));

输出：

array(1) {
  [0]=>
  string(2) "ä"
}

string(4) "_ö_"

但更好的选择可能是在模式中使用字符类和

|

操作符

$replaceNothing

和

$replaceSpace

是字符数组，可以将它们更改为字符类：

$replaceWithNothing = '([,;`#\'´!().@’+™]+|(?:\b(?:Steam|Eu|Key)\b))u';
$replaceWithSpace = '([-–_/:]+)u';

var_dump(
  preg_replace(
    [$replaceWithNothing, $replaceWithSpace], 
    ['', ' '], 
    'remove (™) and :replace:'
  )
);

对于“替换”一词：

$replaceWords = [
  '(\bAsia\b)ui' => 'ASIA';
  '(\buk\b)ui', 'UK'
);
$output = preg_replace(array_keys($words), $words, $input);

我不知道为什么不为

modifyword（）

函数使用简单的替换。您正在将第一次出现的

反击进攻“

替换为

反击全球进攻”

---

评论中提到使用mb_*函数。我建议使用更现代的。这是PHP中unicode处理的标准、更现代、更强大的扩展。

问题是，您使用的函数不支持多字节字符（

str\u replace

、

ucwords

、

strtolower

、

preg\u replace

，不带u修饰符）和多字节字符串（UTF8）。改为使用

mb\u

函数，并将u修饰符与

preg\u replace

一起使用。请注意

preg\u replace

可以将数组作为第一个和第二个参数。您能给我一个代码片段吗？我如何做到这一点因为我不知道mb_函数是什么意思，你用“u修饰符”是什么意思？请参见和。1）将

strtolower

替换为

mb_strtolower

，

ucwords

替换为

mb_-ucwords

，等等。2）在regexps（“/something/iu”）的末尾添加

u

。但这一项并不能解决我的

$string=mbstrtolower问题（$string，'UTF-8'）；

问题…某种程度上，它比

strtolower（）

破坏UTF-8要好，它是一个ANSI（单字节）函数。

ucwords（）

。但是我认为不需要转换字符串变量-模式使用

I

（不区分大小写）修饰符。再加上

u

这应该足够了。我只使用strtolower（）函数，因为我希望所有字符串都相等。所以我调用strtolower（）函数，然后我想说ucwords（），这样它们在mb_*（）函数用于替换使用多字节字符串的标准字符串函数。它们是默认安装的一部分，我不希望它们在不久的将来被删除。因此您可以使用它们。不过，我建议您记住ICU函数并了解它们。它们不仅仅是Unicode string功能，但国际化和本地化功能。好的，谢谢！-但我的问题是这一个，我没有得到解决…这很烦人！[链接]