Comment puis-je gérer correctement les décalages de caractères UTF-8 avec `preg_match()` et `PREG_OFFSET_CAPTURE` de PHP ?

PREG_OFFSET_CAPTURE et caractères multi-octets : surmonter les écarts de comptage

Lors de l'utilisation de preg_match() avec le modificateur u, le motif et le sujet sont interprétés comme Encodé en UTF-8. Cependant, les décalages capturés sont toujours comptés en octets, même avec ce modificateur. Cette divergence peut prêter à confusion lorsque l'on s'attend à des index basés sur des caractères UTF-8.

La nature du comptage des octets par PHP dans PREG_OFFSET_CAPTURE

Même si preg_match() traite les caractères Unicode, le PREG_OFFSET_CAPTURE est toujours implémenté avec un mécanisme de comptage d'octets. Cela signifie que les caractères avec des représentations multi-octets, telles que UTF-8, sont comptés comme des octets individuels plutôt que comme des caractères composites.

Solution : Utiliser mb_strlen

Pour obtenir le index basés sur des caractères dans les chaînes UTF-8, vous pouvez exploiter la fonction mb_strlen(). Cette fonction peut fournir la longueur d'une chaîne UTF-8 en caractères. En incorporant cela dans votre code, vous pouvez traduire le décalage basé sur les octets de PREG_OFFSET_CAPTURE dans l'index de caractères UTF-8 correspondant :

$str = "\xC2\xA1Hola!";
preg_match('/H/u', $str, $a_matches, PREG_OFFSET_CAPTURE);
echo mb_strlen(substr($str, 0, $a_matches[0][1])); // Output: 1

Dans cet exemple, mb_strlen() calcule la longueur de caractères de la chaîne vers le haut. au décalage obtenu à partir de PREG_OFFSET_CAPTURE, fournissant ainsi l'index UTF-8 correct. Cette solution de contournement garantit un comptage précis des caractères, comme prévu lorsque vous travaillez avec des chaînes Unicode.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!