php中文漢字替換與模式匹配的問題!!請大家必看!

- 中國WEB開發者網絡 (http://www.webasp.net)
-- 技術教程 (http://www.webasp.net/article/)
--- php中文漢字替換與模式匹配的問題!!請大家必看! (http://www.webasp.net/article/17/16949.htm)
-- 作者:未知
-- 發佈日期: 2005-03-11
作者: bluedoor
原帖地址:http://www.anbbs.com/anbbs/index.php?f_id=3&page=1
  這兩天正在做一個關鍵字加亮顯示的程序,寫好的程序在本地測試也跑得好好的,可是一上去頁面就出現一堆一堆的亂碼,別說加亮了,簡直就是沒的看!

  我就找錯誤,找來找去,發現英文沒有問題,遇到漢字容易出問題,有的時候遇到漢字必出問題。

  總結一下:

  當使用模式匹配的時候,如:preg_match_all($pat,……)與preg_replace($pat,……)……

  容易出問題的情況如下:
  preg_match_all("/(漢字)+/ism","我是漢字,看你把我怎麼著!",$m_a);
  這個模式很簡單就是匹配出「漢字」。這種情況模式中包含漢字可以成功匹配出來,但是也不要高興得太早,結果不確定,為什麼不確定你慢慢往下看。

  必出現問題情況如下:
  preg_match_all("/[漢字]+/ism","我是漢字,看你把我怎麼著!",$m_a);
  本想匹配出現「漢」、「字」或者「漢字」。這個必出現問題,匹配的結果一大群亂碼,沒準還會出個死循環呢。為什麼會出現這種情況?是因為PHP內部使用不是UNICODE,不支持多字節文字,所以一個"漢字"就被當成4bytes的ASCII去進行模式匹配,不出錯才怪呢!

  後來我又試試重新寫一下模式匹配,發現一種似乎(為什麼說似乎?往後看)方法可以解決:
  preg_match_all("/(漢|字)+/ism","我是漢字,看你把我怎麼著!",$m_a);

  這樣寫可以匹配出「漢」、「字」或者「漢字」,$m_a中的結果

Array
(
[0] => Array
(
[0] => 漢字
)

[1] => Array
(
[0] => 字
)

)

  怎麼樣全匹配的字符串出現了吧!可是高興得太早了,後來在實際中用還是會經常出問題!再去找問題,終於找到問題的根了!PHP不支持多字節文字,所以在進行模式匹配與字符操作的時候都是內碼轉化後進行的(我不知道這樣說對不對),舉個實例吧:

  eregi_replace("性","沒有" , "有責任感");這個操作就是要把字符串"有責任感"中"性"字替換成"沒有",最後的結果是什麼?因為"有責任感"中沒有"性"就個字,結果應該是沒有執行替換操作返回"有責任感",可是結果竟然是"用揮敘任感"!

  沒想到吧!為什麼?看一下ASCII碼你就明白了,2個ASCII碼代碼一個漢字"有責任感"的ASCII編碼依次為:211,208(有),212,240(責),200,206(任),184,208(感) 

  而"性"的編碼為:208,212(性),恰好與有的第2字節和責的第1字節組合是一致的!所以PHP就認識找到相同的模式進行匹配,拆成一半的漢字再與替換後的字串進行組合,所以就出錯了!

  當時我想最常用的str_replace(),應該不會有問題的,但是事實上str_replace()執行同樣的操作也會出錯!現在我想以前進行漢字替換實在是太幸運了!可能是那個時候進行的漢字替換都是比較長的漢字串吧,不太容易出現以上的情況。即使沒有出問題,也要知道那是不安全的!

  問題是有的,工作還要繼續做,克服的困難也就::::現在的自我了。

  好在想起一組PHP的擴展模塊,Multibyte String Functions,添加許多支持多字節文字的操作的函數,如:ereg_replace() 對應著mb_ereg_replace() 等等。具體的函數說明請查詢相關的文章。

  總結:對於中文漢字安全的操作最好是使用Multibyte String Functions。

webasp.net