Parsing multibyte string in PHP

Question

Vorrei scrivere un parser (HTML) basato su macchina a stati, ma ho dei dubbi su come leggere/utilizzare un input. Ho deciso di caricare l'intero input in una stringa e quindi lavorare con esso come con un array e mantenere il suo indice come posizione di analisi corrente.

Non ci sarebbero problemi con la codifica a byte singolo, ma nella codifica multibyte ogni valore non rappresenta un carattere, ma un byte di un carattere.

Esempio:

$mb_string = 'žščř'; //4 multi-byte characters in UTF-8 

for($i=0; $i < 4; $i++) 
{ 
    echo $mb_string[$i], PHP_EOL; 
} 

Uscite:

Ĺ 
ž 
Ĺ 
Ą 

Questo significa che non posso scorrere la stringa in un ciclo per controllare singoli caratteri, perché non so mai se mi trovo in al centro di un personaggio o no.

Quindi le domande sono:

• Come posso sicuro multi-byte leggere un carattere singolo da una stringa in modo amichevole prestazioni?
• È consigliabile lavorare con la stringa come se fosse una matrice in questo caso ?
• Come leggeresti l'input?

Answer 1

http://php.net/mb_string è la cosa che stai cercando

• caratteri appena mb_substr uno per uno
non
• fino php6
• quello di ingresso esattamente? Il modo usuale in generale

Answer 2

mb_internal_encoding("UTF-8"); 

$mb_string = 'žščř'; 

$l=mb_strlen($mb_string); 

for($i=0;$i<$l;$i++){ 
    print(mb_substr($mb_string,$i,1)."<br/>"); 
} 

Answer 3

Senza usare i mdb_relatedFunctions e con più byte stringhe codificate è possibile utilizzare le funzioni standard sottostringa che leggono multipli di byte utilizzati per la codifica.

ad esempio per un UTF-8 codificati (2 byte) stringa se è necessario il primo carattere della stringa di

$string = 'žščř'; //4 multi-byte characters in UTF-8 

Dovete ottenere la stringa $ [0] e [1] valori $ string , quindi stai cercando la sottostringa tra gli indici 0 e 1 (per il primo carattere).

Nota che $ string [0] o $ string [N] farà riferimento il primo (o l'ennesimo byte della stringa multi-byte)

saluti,