php 正则表达式匹配类似于字母。又名 u=ü 或 ê=é=è=e

Question

我正在研究一种方法来搜索文本中的特定单词并突出显示它们。该代码工作完美，除了我希望它也匹配相似的字母。我的意思是，搜索 fête 应该匹配 fêté、fete、...

有没有一种简单而优雅的方法来做到这一点？

这是我当前的代码:

$regex='/(' . preg_replace('/\s+/', '|', preg_quote($usersearchstring)) .')/iu';

$higlightedtext = preg_replace($regex, '<span class="marked-search-text">\0</span>', $text);

我的文本不是 html 编码的。在 MariaDB 中搜索匹配到相似的结果。

[编辑]这里有一个更长的问题示例:

$usersearchstring='fête';
$text='la paix fêtée avec plus de 40 cultures';
$regex='/(' . preg_replace('/\s+/', '|', preg_quote($usersearchstring)) .')/iu';
$higlightedtext = preg_replace($regex, '<span class="marked-search-text">\0</span>', $text);

结果是 $higlightedtext 与 $text 相同

当更改 $higlightedtext 单词“fêté”时，$higlightedtext 是

'la paix <span class="marked-search-text">fêté</span>e avec plus de 40 cultures'

但是，我希望它“始终”匹配字母的所有变体，因为可能存在(并且实际上)可能存在许多单词变体。我们在数据库中有 fête fêté，甚至可能有 fêté。

我一直在考虑这个问题，但我看到的唯一解决方案是拥有一个包含所有字母替换选项的巨大数组，然后遍历它们并尝试每个变体。但这并不优雅，而且会很慢。(因为对于许多字母，我至少有 5 个变体:aáàâä，结果是，如果这个词有 3 个元音，我需要做 75x (5x5x5) preg_replace。

[/编辑]

Answer 1

您的问题是关于整理的，这是一种处理自然语言文本以使用有关语言词汇规则的知识对其进行排序和比较的艺术。您正在寻找不区分大小写和不区分变音符的排序规则。

一个常见的归类规则是 B在 A 之后 。一个不太常见但对您的问题很重要的规则是 ê和 e是等价的。 归类包含很多这样的规则，经过多年精心制定。如果您使用的是不区分大小写的排序规则，则需要像 a 这样的规则和 A是等价的。

大多数欧洲语言(但不是西类牙语)的变音规则是: Ñ和 N是等效的。 在西类牙语中， Ñ在 N 之后.

现代数据库都知道这些排序规则。例如，如果您使用 MySQL，则可以设置一个字符编码为 utf8mb4 的列。和 utf8mb4_unicode_ci 的整理.这对大多数语言都很好(但对西类牙语来说并不完美)。

Regex 技术对于整理工作不是很有用。如果您为此使用正则表达式，那么您就是在尝试重新发明轮子，而您很可能会重新发明漏气的轮胎。

PHP 与大多数现代编程语言一样，包含排序支持，内置于其 Collator class 中。 .下面是一个将 Collat​​or 对象用于重音字符用例的简单示例。它使用 Collator::PRIMARY collation strength执行不区分大小写和重音的比较。

mb_internal_encoding("UTF-8");
$collator  = collator_create('fr_FR');
$collator->setStrength(Collator::PRIMARY);
$str1 = mb_convert_encoding('fêté', 'UTF-8');
$str2 = mb_convert_encoding('fete', 'UTF-8');
$result = $collator->compare($str1, $str2);
echo $result;

$result这里是零，意味着字符串是相等的。这就是您想要的。

如果您想通过这种方式在字符串中搜索匹配的子字符串，您需要使用显式子字符串匹配来实现。正则表达式技术不提供这一点。

这是一个进行搜索和注释的函数(例如，添加 <span> 标签)。它充分利用了 Collat​​or 类的字符平等方案。

function annotate_ci ($haystack, $needle, $prefix, $suffix, $locale="FR-fr") {

    $restoreEncoding = mb_internal_encoding();
    mb_internal_encoding("UTF-8");
    $len = mb_strlen($needle);
    if ( mb_strlen( $haystack ) < $len ) {
        mb_internal_encoding($restoreEncoding);
        return $haystack;
    }
    $collator = collator_create( $locale );
    $collator->setStrength( Collator::PRIMARY );

    $result = "";
    $remain = $haystack;
    while ( mb_strlen( $remain ) >= $len ) {
        $matchStr = mb_substr($remain, 0, $len);
        $match = $collator->compare( $needle, $matchStr );
        if ( $match == 0 ) {
            /* add the matched $needle string to the result, with annotations.
             * take the matched string from $remain
             */
            $result .= $prefix . $matchStr . $suffix;
            $remain = mb_substr( $remain, $len );
        } else {
            /* add one char to $result, take one from $remain */
            $result .= mb_substr( $remain, 0, 1 );
            $remain = mb_substr( $remain, 1 );
        }
    }
    $result .= $remain;
    mb_internal_encoding($restoreEncoding);
    return $result;
}

下面是该函数的使用示例。

$needle = 'Fete';  /* no diacriticals here! mixed case! */
$haystack= mb_convert_encoding('la paix fêtée avec plus de 40 cultures', 'UTF-8');

$result = annotate_ci($haystack, $needle, 
                      '<span class="marked-search-text">' , '</span>');

它回馈了

 la paix <span class="marked-search-text">fêté</span>e avec plus de 40 cultures