Php 创建包含UTF-8的段塞

我正在尝试编写一些代码来获取UTF-8文本并创建一个包含一些UTF-8字符的slug。所以这并不是将UTF-8音译成ASCII

所以基本上我想用破折号替换任何UTF-8字符，即空白、控制字符、标点或符号。存在我应该能够使用的代码：

\p{Z}

，

\p{C}

，

\p{p}

，或

\p{S}

所以我可以做一些简单的事情如下：

preg_replace("#(\p{P}|\p{C}|\p{S}|\p{Z})+#", "-", "This. test? has an ö in it");

但其结果是：

This-test-has-an-√-in-it

（我希望

这个测试中有一个-ö-in

）

它破坏了umlaut o，可能是因为在Unicode中它由两个字节

c3b6

组成，其中

b6

似乎被识别为标点字符（因此

\p{p}

在这里匹配）。

c3

仍保留在文本中。这很奇怪，因为在UTF-8中不存在单个字节

b6

我还在Perl中尝试了同样的方法，以确保这不是PHP问题，而是代码

$s = 'This. test? has an ö in it';
$s =~ s/(\p{P}|\p{C}|\p{S}|\p{Z})+/-/g;

还生产：

This-test-has-an-√-in-it

（这可能是有道理的，因为PHP的PCRE是与Perl兼容的正则表达式）

当我在Python中这样做的时候

import regex as re
text=u"This. test? has an ö in it";
print re.sub(ur"(\p{P}|\p{C}|\p{S}|\p{Z})+", "-", text)

它产生了我想要的

This-test-has-an-ö-in-it

---

怎么办？

解决方案是使用“Unicode修饰符”

u

：

preg_replace("#(\p{P}|\p{C}|\p{S}|\p{Z})+#u", "-", "This. test? has an ö in it");

正确产生

This-test-has-an-ö-in-it

---

所以：在没有Unicode修饰符的情况下使用Unicode类别会产生奇怪的结果，而没有任何警告。

有趣的问题，但是如果您为URL创建段塞，将它们转换为ASCII不是更好吗？我不这么认为，在现代浏览器中，在URL中使用UTF-8是没有问题的，这样它们的可读性会更好。即使浏览器必须在后台使用URL编码的字节（对于

ö

，使用la

%C3%B6

），也是如此。然而，即使堆栈溢出本身也会转换为ASCII字符（），这可能会使键入URL更容易。好吧，堆栈溢出并不是所有智慧的终结：）如果你说这种语言，你可能就有办法编写它。在我的例子中，还有一个不带slug（ASCII）的短URL，它意味着在必要时可以键入。我声称，如今slug主要用于搜索引擎。堆栈溢出并不是所有智慧的终结——不是吗<代码>=：-O