如何匹配UTF8编码的ZWSP（零宽空格）？是否存在Bug？

ZWSP编码说明：

ZWSP: \x20\x0B
ZWSP (UTF-8): \xE2\x80\x8B

我额外测试了非断空格（NBSP），表现符合预期。所有preg_replace均使用UTF-8模式/u，测试情况如下：

• 匹配NBSP正常：UTF-8编码输入被替换为空，输出为空字符串。
• 匹配ZWSP时，仅输入为非UTF-8编码时有效。
• 将ZWSP正则模式改为UTF-8编码版本，同时输入为UTF-8编码时，依然无法匹配。

核心问题 #

如何匹配UTF-8编码的ZWSP？或者这是一个Bug？

测试代码 #

$nbsp       = '\xA0'; // 非断空格
$zwsp       = '\x20\x0B'; // 零宽空格
$zwsp_utf8  = '\xE2\x80\x8B';

$input_nbsp_utf8    = "\xC2\xA0";
$input_zwsp         = "\x20\x0B";
$input_zwsp_utf8    = "\xE2\x80\x8B";

// NBSP测试
echo "NBSP\n-----\n";
echo "in: $input_nbsp_utf8--\nhex: ".bin2hex($input_nbsp_utf8)."\n";
$output = preg_replace('/'.$nbsp.'/u', '', $input_nbsp_utf8);
echo "out: $output--\nhex: ".bin2hex($output)."\n\n";

// ZWSP测试（输入：非UTF-8）
echo "ZWSP (输入：非UTF-8)\n-----\n";
echo "in: $input_zwsp--\nhex: ".bin2hex($input_zwsp)."\n";
$output = preg_replace('/'.$zwsp.'/u', '', $input_zwsp);
echo "out: $output--\nhex: ".bin2hex($output)."\n\n";

// ZWSP测试（输入：UTF-8）
echo "ZWSP (输入：UTF-8)\n-----\n";
echo "in: $input_zwsp_utf8--\nhex: ".bin2hex($input_zwsp_utf8)."\n";
$output = preg_replace('/'.$zwsp.'/u', '', $input_zwsp_utf8);
echo "out: $output--\nhex: ".bin2hex($output)."\n\n";

// ZWSP测试（模式：UTF-8，输入：UTF-8）
echo "ZWSP (模式：UTF-8，输入：UTF-8)\n-----\n";
echo "in: $input_zwsp_utf8--\nhex: ".bin2hex($input_zwsp_utf8)."\n";
$output = preg_replace('/'.$zwsp_utf8.'/u', '', $input_zwsp_utf8);
echo "out: $output--\nhex: ".bin2hex($output)."\n\n";

输出结果 #

NBSP
-----
in:  --
hex: c2a0
out: --
hex:

ZWSP (输入：非UTF-8)
-----
in:
     --
hex: 200b
out: --
hex:

ZWSP (输入：UTF-8)
-----
in: ​--
hex: e2808b
out: ​--
hex: e2808b // 预期输出应为空

ZWSP (模式：UTF-8，输入：UTF-8)
-----
in: ​--
hex: e2808b
out: ​--
hex: e2808b // 预期输出应为空

解决方案 #

问题根源在于正则模式的定义：你用单引号包裹十六进制转义序列，PHP不会解析这些转义，而是将其当作普通字符串（比如'\xE2\x80\x8B'实际是字符串\xE2\x80\x8B，而非对应的UTF-8字符）。

有两种正确的解决方式：

方式1：用双引号定义模式变量 #

让PHP解析十六进制转义，生成对应的ZWSP字符：

$zwsp_utf8 = "\xE2\x80\x8B"; // 双引号包裹，PHP解析为ZWSP字符
$output = preg_replace('/' . $zwsp_utf8 . '/u', '', $input_zwsp_utf8);

方式2：直接使用Unicode码点转义 #

ZWSP的Unicode码点是U+200B，直接在正则中用\u{200B}匹配，更直观且避免编码转义问题：

$output = preg_replace('/\u{200B}/u', '', $input_zwsp_utf8);

修改后的验证示例：

$input_zwsp_utf8 = "\xE2\x80\x8B";

// 方式1测试
$zwsp_utf8 = "\xE2\x80\x8B";
$output1 = preg_replace('/' . $zwsp_utf8 . '/u', '', $input_zwsp_utf8);

// 方式2测试
$output2 = preg_replace('/\u{200B}/u', '', $input_zwsp_utf8);

// 输出结果均为空
var_dump(bin2hex($output1)); // string(0) ""
var_dump(bin2hex($output2)); // string(0) ""

以上两种方式都能正确匹配并替换UTF-8编码的ZWSP字符。

内容的提问来源于stack exchange，提问作者clarkk