PHP正则匹配词首尾含扩展拉丁字符的单词无结果问题排查

问题根源 #

1. 默认单词边界规则不支持非ASCII字符：PHP的PCRE正则引擎默认仅将ASCII范围内的[a-zA-Z0-9_]判定为单词字符，č、ć、ž、š、đ这类扩展拉丁字符不属于该范围。\b匹配的是「单词字符」和「非单词字符」的交界，当扩展拉丁字符出现在单词首尾时，字符本身会被判定为非单词字符，和前后的空白、标点（同属非单词字符）之间不会触发边界匹配，直接导致匹配失败。
2. 正则缺少UTF-8适配修饰符：处理含多字节字符的内容时，正则没有加u修饰符，多字节字符会被拆分为多个单字节字符处理，进一步加剧匹配异常。

修复方案 #

仅需要修改preg_match对应的正则规则即可，修改后代码如下：

// 原代码
// if(preg_match("/\b{$value}\b/", $value2)){

// 替换为以下代码
if(preg_match("/(?<!\p{L}){$value}(?!\p{L})/u", $value2)){

说明：

• (?<!\p{L}) 表示当前位置前面没有Unicode字母，(?!\p{L}) 表示当前位置后面没有Unicode字母，等效于支持全Unicode字符的自定义单词边界
• 末尾的u修饰符会让正则引擎将输入字符串和匹配规则都按UTF-8编码处理，正确识别多字节的扩展拉丁字符

可选优化建议 #

拆分句子的正则也可以加上u修饰符，避免扩展拉丁字符开头的句子拆分错误：

$sentence = preg_split('/(?<=[.?!])\s+(?=\p{L})/u', $book);

内容的提问来源于stack exchange，提问作者ndrbd