Google Cloud OCR返回字符串无法用preg_replace移除指定非允许字符

开发者阿泽

2026-6-17

问题原因及解决方案

核心原因：正则未启用UTF-8模式，OCR返回的特殊字符为多字节Unicode字符

你遇到的问题本质是PHP正则默认不处理UTF-8多字节字符：Google Cloud OCR返回的特殊字符（比如你看到的√）是Unicode多字节字符，同时你要保留的德语变音符号（öÖäÄüÜß）也属于多字节范畴。

当你直接把字符串写在PHP文件测试时，文件本身是UTF-8编码，字符串以单字节形式存储（或刚好匹配正则的单字节解析逻辑），所以代码能生效；但OCR返回的是标准UTF-8多字节字符串，正则没有u修饰符时，会把多字节字符拆成单个字节处理，导致你的排除规则[^A-Za-z0-9öÖäÄüÜß\- ]无法匹配到目标特殊字符。

修复步骤

给正则添加u修饰符：这是关键，让PHP正则引擎以UTF-8模式解析字符串和正则表达式，正确识别多字节字符。
强制统一字符串编码：用mb_convert_encoding将字符串转为UTF-8，避免编码不一致问题。
优化空白字符处理：用preg_replace('/\s+/', ' ', $txt)替代多次str_replace，更高效处理所有换行、空格类字符。

修改后的代码：

$txt = '';
$tadaa = $vision->annotate($img);
$obj = $tadaa->text();
if(isset($obj) && $obj[0] != null){
    $arr = $obj[0]->info();
    $txt = $arr['description'];
    
    // 强制转成UTF-8，消除编码差异
    $txt = mb_convert_encoding($txt, 'UTF-8', 'auto');
    
    // 替换所有空白字符为单个空格
    $txt = preg_replace('/\s+/', ' ', $txt);
    
    // 添加u修饰符，启用UTF-8正则解析模式
    $txt = trim(preg_replace('/[^A-Za-z0-9öÖäÄüÜß\- ]/u', ' ', $txt));
}