PHP替换字符编码8217时出现意外输出问题求助

最近碰到个头疼的字符替换问题——就是那个Unicode编码为U+8217的右单引号（’），我想用正则把它从</a>标签前面移到后面，结果用反斜杠转义根本不管用，直接把</a>给搞坏了！

先看我出问题的代码：

php > $a = preg_replace('/([.,\'"’:?!])<\/a>/', '</a>\1', 'letter">Evolution’</a> </li>');
php > echo($a); // => letter">Evolution/a> </li>

对比用普通双引号的正常情况：

// 对比不同字符时的正常情况
php > $a = preg_replace('/([.,\'"’:?!])<\/a>/', '</a>\1', 'letter">Evolution"</a> </li>');
php > echo($a); // => letter">Evolution</a>" </li>

我本来想要的结果是letter">Evolution</a>’ </li>，结果出来个letter">Evolution/a> </li>，这就离谱！

问题根源 & 解决方案 #

问题出在正则表达式的编码匹配逻辑上！那个U+8217是多字节的Unicode字符，而默认的PCRE正则在PHP里是按单字节处理的，它没法正确识别这个多字节引号，匹配时把</a>的部分字节给误判了，才导致标签被破坏。

解决办法很简单，给正则加上u修饰符（开启Unicode模式），同时把这个特殊引号纳入匹配范围：

方案1：用Unicode转义字符

把正则里的匹配组加上\x{2019}（U+8217的Unicode转义写法），再加上u修饰符：

php > $a = preg_replace('/([.,\'"’:?!\x{2019}])<\/a>/u', '</a>\1', 'letter">Evolution’</a> </li>');
php > echo($a); // => letter">Evolution</a>’ </li>

方案2：直接写入特殊引号字符

如果你的代码文件本身是UTF-8编码，直接把’放进正则的匹配组里，再加上u修饰符也能正常工作：

php > $a = preg_replace('/([.,\'"’:?!’])<\/a>/u', '</a>\1', 'letter">Evolution’</a> </li>');
php > echo($a); // => letter">Evolution</a>’ </li>

加了u修饰符后，正则就会按完整的Unicode字符来处理，不会把多字节字符拆成单个字节匹配，自然就能正确识别那个特殊引号，完成我们想要的替换啦！

内容的提问来源于stack exchange，提问作者David da Silva