PHP5中匹配含Nekudot的同义希伯来语单词方案咨询

一、希伯来语Nekudot的规范排序规则 #

根据Unicode希伯来语编码标准，同一个辅音上的变音符号（Nekudot）有明确的规范顺序：所有附加标记需要按Unicode码点从小到大排列。
拿你给出的例子来说，d6bc对应U+05BC（Dagesh，辅音上的点），d6b7对应U+05B7（Patach，元音符号），因为05BC的码点小于05B7，所以规范顺序是d6bc d6b7，也就是第一个版本的字节序列是符合标准的。

二、PHP6之前的可用解决方案（无grapheme扩展） #

1. 用mbstring扩展的规范化功能（优先推荐） #

如果你的服务器开启了mbstring扩展，且PHP版本在5.4及以上（PHP6之前的主流版本），直接用mb_normalize_string把字符串转成NFC规范形式就能解决问题：

$str1 = 'הִפַּלְנוּ';
$str2 = 'הִפַּלְנוּ';

// 转换为规范组合形式，统一变音符号顺序
$normStr1 = mb_normalize_string($str1, 'NFC');
$normStr2 = mb_normalize_string($str2, 'NFC');

if ($normStr1 === $normStr2) {
    echo "字符串匹配";
}

NFC形式会自动把同一基字符的组合标记按规范顺序排列，直接就能让两个语义相同的字符串逐位匹配。

2. 自定义函数手动排序变音符号 #

如果mbstring也用不了，就自己写个函数处理：遍历字符串，把每个辅音后面的变音符号单独拎出来按码点排序，再重新拼回去。代码示例：

function normalizeHebrewNekudot($str) {
    $result = '';
    $currentBase = '';
    $marks = [];
    $strLen = mb_strlen($str, 'UTF-8');
    
    for ($i = 0; $i < $strLen; $i++) {
        $char = mb_substr($str, $i, 1, 'UTF-8');
        $code = mb_ord($char, 'UTF-8');
        
        // 判断是否是希伯来语变音符号（U+05B0到U+05BF范围）
        if ($code >= 0x05B0 && $code <= 0x05BF) {
            $marks[] = $char;
        } else {
            // 遇到新的辅音，先处理之前的辅音和标记
            if ($currentBase !== '') {
                // 按Unicode码点升序排序标记
                usort($marks, function($a, $b) {
                    return mb_ord($a, 'UTF-8') - mb_ord($b, 'UTF-8');
                });
                $result .= $currentBase . implode('', $marks);
                $marks = [];
            }
            $currentBase = $char;
        }
    }
    // 处理最后一组辅音和标记
    if ($currentBase !== '') {
        usort($marks, function($a, $b) {
            return mb_ord($a, 'UTF-8') - mb_ord($b, 'UTF-8');
        });
        $result .= $currentBase . implode('', $marks);
    }
    return $result;
}

// 使用示例
$str1 = 'הִפַּלְנוּ';
$str2 = 'הִפַּלְנוּ';
$norm1 = normalizeHebrewNekudot($str1);
$norm2 = normalizeHebrewNekudot($str2);

var_dump($norm1 === $norm2); // 输出 bool(true)

这个函数的逻辑很简单：把每个辅音和它后面的变音符号拆分，变音符号按码点排序后再和辅音拼接，这样就能统一顺序。

3. 尝试iconv扩展的转换（备选方案） #

如果服务器有iconv扩展，也可以试试用它做编码转换来间接规范化：

$normStr = iconv('UTF-8', 'UTF-8//IGNORE//TRANSLIT', $originalStr);

不过这个方法的稳定性取决于服务器的iconv实现，效果可能不如前两种，只能作为备选。

内容的提问来源于stack exchange，提问作者xerostomus