To select UTF-8 mode for the additional escape sequences (\p{xx}, \P{xx}, and \X) , use the "u" modifier (see http://php.net/manual/en/reference.pcre.pattern.modifiers.php).
I wondered why a German sharp S (ß) was marked as a control character by \p{Cc} and it took me a while to properly read the first sentence: "Since 5.1.0, three additional escape sequences to match generic character types are available when UTF-8 mode is selected. " :-$ and then to find out how to do so.Својства на Unicode карактери
Почист и полокален преглед на PHP референцата, со задржана структура од PHP.net и подобра читливост за примери, секции и белешки.
Својства на Unicode карактери
Референца за `regexp.reference.unicode.php` со подобрена типографија и навигација.
Својства на Unicode карактери
Од 5.1.0, достапни се три дополнителни секвенци за бегство за совпаѓање на генерички типови на знаци кога UTF-8 режим е избрано. Тие се:
- \p{xx}
- знак со својството xx
- \P{xx}
- знак без својството xx
- \X
- проширена Unicode секвенца
Имињата на својствата претставени со xx погоре се ограничени на својствата на општата категорија на Unicode. Секој знак има точно едно такво својство, специфицирано со двобуквена кратенка. За компатибилност со Perl, негацијата може да се специфицира со вклучување на циркумфлекс помеѓу отворачката заграда и името на својството. На пример, \p{^Lu}
е исто како \P{Lu}.
Ако е наведен само еден буква со \p or
\P, ги вклучува сите својства што започнуваат со таа буква. Во овој случај, при отсуство на негација, заградите во секвенцата за бегство се опционални; овие два примери имаат исто дејство:
\p{L}
\pL
| Својство | Натпревари | Белешки |
|---|---|---|
C |
Друго | |
Cc |
Контрола | |
Cf |
Формат | |
Cn |
Недоделен | |
Co |
Приватна употреба | |
Cs |
Заменски | |
L |
Дејства |
Ги вклучува следните својства: Ll,
Lm, Lo, Lt and
Lu.
|
Ll |
Буква во мала азбука | |
Lm |
Модификатор буква | |
Lo |
Друга буква | |
Lt |
Буква во насловна азбука | |
Lu |
Голема буква | |
M |
Марк | |
Mc |
Ознака за празно место | |
Me |
Затворачка ознака | |
Mn |
Ознака што не се празни | |
N |
Број | |
Nd |
Децимален број | |
Nl |
Број на буква | |
No |
Друг број | |
P |
Интерпункција | |
Pc |
Спојна интерпункција | |
Pd |
Цртичка интерпункција | |
Pe |
Затворачка интерпункција | |
Pf |
Завршна интерпункција | |
Pi |
Почетна интерпункција | |
Po |
Друга интерпункција | |
Ps |
Отворачка интерпункција | |
S |
Симбол | |
Sc |
Симбол за валута | |
Sk |
Модификатор симбол | |
Sm |
Математички симбол | |
So |
Друг симбол | Вклучува емоџиња |
Z |
Разделувач | |
Zl |
Разделувач на редови | |
Zp |
Разделувач на параграфи | |
Zs |
Разделувач на празни места |
Проширени својства како што се InMusicalSymbols не се поддржани од PCRE.
Наведувањето на совпаѓање без разлика на големината на буквите (caseless) не влијае на овие секвенци за бегство. На пример, \p{Lu} секогаш се совпаѓа само со големи букви.
Поставките на Unicode знаците се дефинирани како припаѓање на одредени скрипти. Знак од една од овие поставки може да се совпадне со користење на името на скриптата. На пример:
-
\p{Greek} -
\P{Han}
Оние што не се дел од идентификувана скрипта се групирани заедно како
Common. Тековната листа на скрипти е:
Arabic |
Armenian |
Avestan |
Balinese |
Bamum |
Batak |
Bengali |
Bopomofo |
Brahmi |
Braille |
Buginese |
Buhid |
Canadian_Aboriginal |
Carian |
Chakma |
Cham |
Cherokee |
Common |
Coptic |
Cuneiform |
Cypriot |
Cyrillic |
Deseret |
Devanagari |
Egyptian_Hieroglyphs |
Ethiopic |
Georgian |
Glagolitic |
Gothic |
Greek |
Gujarati |
Gurmukhi |
Han |
Hangul |
Hanunoo |
Hebrew |
Hiragana |
Imperial_Aramaic |
Inherited |
Inscriptional_Pahlavi |
Inscriptional_Parthian |
Javanese |
Kaithi |
Kannada |
Katakana |
Kayah_Li |
Kharoshthi |
Khmer |
Lao |
Latin |
Lepcha |
Limbu |
Linear_B |
Lisu |
Lycian |
Lydian |
Malayalam |
Mandaic |
Meetei_Mayek |
Meroitic_Cursive |
Meroitic_Hieroglyphs |
Miao |
Mongolian |
Myanmar |
New_Tai_Lue |
Nko |
Ogham |
Old_Italic |
Old_Persian |
Old_South_Arabian |
Old_Turkic |
Ol_Chiki |
Oriya |
Osmanya |
Phags_Pa |
Phoenician |
Rejang |
Runic |
Samaritan |
Saurashtra |
Sharada |
Shavian |
Sinhala |
Sora_Sompeng |
Sundanese |
Syloti_Nagri |
Syriac |
Tagalog |
Tagbanwa |
Tai_Le |
Tai_Tham |
Tai_Viet |
Takri |
Tamil |
Telugu |
Thaana |
Thai |
Tibetan |
Tifinagh |
Ugaritic |
Vai |
Yi |
На \X бегство се совпаѓа со Unicode проширен графемен кластер. Проширен графемен кластер е еден или повеќе Unicode знаци што се комбинираат за да формираат еден глиф. Всушност, ова може да се смета како еквивалент на Unicode на . бидејќи ќе совпадне еден составен знак, без оглед на тоа колку индивидуални знаци се всушност искористени за негово прикажување.
Во верзиите на PCRE постари од 8.32 (што одговара на верзиите на PHP пред 5.4.14 кога се користи вклучената библиотека PCRE), \X
е еквивалентно на (?>\PM\pM*). Тоа е, совпаѓа знак без својство "mark", проследен со нула или повеќе знаци со својство "mark", и ја третира секвенцата како атомска група (види подолу). Знаците со својство "mark" се типично акценти што влијаат на претходниот знак.
Совпаѓањето на знаци по Unicode својство не е брзо, бидејќи PCRE мора да пребарува структура што содржи податоци за над петнаесет илјади знаци. Затоа традиционалните секвенци за бегство како што се
\d and \w не користат Unicode својства во PCRE.
Белешки од корисници Управување со PDO конекции
An excellent article explaining all these properties can be found here: http://www.regular-expressions.info/unicode.htmlExamples are always useful! See https://unicodeplus.com/category for more.
C Other
Cc Control (Unicode code points in the ranges U+0000-U+001F and U+007F-U+009F)
Cf Format (Soft hyphen (U+00AD), zero width space (U+200B), etc.)
Cn Unassigned (Any code point that is not in the Unicode table)
Co Private use
Cs Surrogate (Characters in the range U+D800 to U+DFFF, which are invalid in utf-8)
L Letter
Ll Lower case letter (a-z, µßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýþÿ and more)
Lm Modifier letter (Letter-like characters that are usually combined with others, but here they stand alone:
ʰʱʲʳʴʵʶʷʸʹʺʻʼʽʾʿˀˁˆˇˈˉˊˋˌˍˎˏːˑˠˡˢˣˤˬˮʹͺՙ and more)
Lo Other letter (ªºƻǀǁǂǃʔ and many more ideographs and letters from unicase alphabets)
Lt Title case letter (DžLjNjDzᾈᾉᾊᾋᾌᾍᾎᾏᾘᾙᾚᾛᾜᾝᾞᾟᾨᾩᾪᾫᾬᾭᾮᾯᾼῌῼ)
Lu Upper case letter (A-Z, ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝÞ and more)
L& Ordinary letter (Any character that has the Lu, Ll, or Lt property)
M Mark
Mc Spacing mark (None in latin scripts)
Me Enclosing mark (Combining enclosing square (U+20DE) like in a⃞ , combining enclosing circle backslash (U+20E0) like in a⃠)
Mn Non-spacing mark (Combining diacritical marks U+0300-U+036f, like the accents on this letter a: áâãāa̅ăȧäảåa̋ǎa̍a̎ȁa̐ȃ)
N Number
Nd Decimal number (0123456789, ٠١٢٣٤٥٦٧٨٩ and digits in many other scripts.)
Nl Letter number (ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅬⅭⅮⅯⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹⅺⅻⅼⅽⅾⅿ and some more)
No Other number (⁰¹²³⁴⁵⁶⁷⁸⁹ ₀₁₂₃₄₅₆₇₈₉ ½⅓⅔¼¾⅕⅖⅗⅘⅙⅚⅐⅛⅜⅝⅞⅑⅒ ①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯⑰⑱⑲⑳, etc.)
P Punctuation
Pc Connector punctuation (_ underscore (U+005F), ‿ undertie U+203F, ⁀ character tie (U+2040), etc.)
Pd Dash punctuation (- hyphen-minus (U+002D), ‐ hyphen (U+2010), ‑ non-breaking hyphen (U+2011), ‒ figure dash (U+2012),
– en dash (U+2013), — em dash (U+2014), ― horizontal bar (U+2015), etc.)
Pe Close punctuation (right parenthesis, bracket, or brace: `)` (U+0029), `]` (U+005D), `}` (U+007D), etc.)
Pf Final punctuation (right quotation marks: » (U+00BB), ’ (U+2019), ” (U+201D), etc.)
Pi Initial punctuation (left quotation marks: « (U+00AB), ‘ (U+2018), “ (U+201C), etc.)
Po Other punctuation (!"#%&'*,./:;?@\¡§¶·¿)
Ps Open punctuation (left parenthesis, bracket, or brace: `(` (U+0028), `[` (U+005B), `{` (U+007B), etc.)
S Symbol
Sc Currency symbol ($¢£¤¥, ₠ ₡ ₢ ₣ ₤ ₥ ₦ ₧ ₨ ₩ ₪ ₫ € ₭ ₮ ₯ ₰ ₱ ₲ ₳ ₴ ₵ ₶ ₷ ₸ ₹ ₺ ₻ ₼ ₽ ₾ ₿ (U+20A0-U+20BF), etc.)
Sk Modifier symbol (Symbol-like characters that are usually combined with others, but here they stand alone:
^`¨¯´¸ and more)
Sm Mathematical symbol (+<=>|~¬±×÷϶ and many more)
So Other symbol (¦ broken bar (U+00A6), © copyright sign (U+00A9), ® registered sign (U+00AE), ° degree sign (U+00B0);
arrows, signs, emojis and many many more)
Z Separator
Zl Line separator (line separator (U+2028))
Zp Paragraph separator (paragraph separator (U+2029))
Zs Space separator (space, no-break space, en quad, em quad, en space, em space, figure space, thin space, hair space, etc.)My country, Vietnam, have our own alphabet table:
http://en.wikipedia.org/wiki/Vietnamese_alphabet
I hope PHP will support better than in Vietnamese.For those who wonder: 'letter_titlecase' applies to digraphs/trigraphs, where capitalization involves only the first letter.
For example, there are three codepoints for the "LJ" digraph in Unicode:
(*) uppercase "LJ": U+01C7
(*) titlecase "Lj": U+01C8
(*) lowercase "lj": U+01C9Not made clear in the top of page explanation, but these escaped character classes can be included within square brackets to make a broader character class. For example:
<?php preg_match( '/[\p{N}\p{L}]+/', $data ) ?>
Will match any combination of letters and numbers.these properties are usualy only available if PCRE is compiled with "--enable-unicode-properties"
if you want to match any word but want to provide a fallback, you can do something like that:
<?php
if(@preg_match_all('/\p{L}+/u', $str, $arr) {
// fallback goes here
// for example just '/\w+/u' for a less acurate match
}
?>