字符串损坏或preg_match错误

一个完整的答案，因为我没有说为什么一些PHP函数"在无效编码的字符串上完全失败"而其他函数则没有：请参阅@deceze at Question的评论和@hakre答案。如果您正在寻找 str_word_count() 的 PCRE 替代品，请参阅下面的preg_word_count()。

PS：关于"PHP5 的内置库行为一致性"的讨论，我的结论是 PHP5 并没有那么糟糕，但我们创建了很多用户定义的包装(外观(函数(参见 PHP-framworks 的多样性！...或者等待PHP6 ：-(

谢谢@pebbl！如果我理解您的链接，则 PHP 上缺少错误消息。因此，我的图示问题的一个可能的解决方法是添加一个错误条件......我在这里找到了条件(它确保有效的 utf8！...并感谢@deceze记住存在一个内置函数来检查此条件(之后我编辑了代码(。

问题放在一起，将解决方案转换为功能(已编辑，感谢@hakre评论！

 function my_word_count($s,$triggError=true) {
   if ( preg_match_all('/[-'''p{L}]+/u',$s,$m) !== false )
      return count($m[0]);
   else {
      if ($triggError) trigger_error(
         // not need mb_check_encoding($s,'UTF-8'), see hakre's answer, 
         // so, I wrong, there are no 'misteious error' with preg functions
         (preg_last_error()==PREG_BAD_UTF8_ERROR)? 
              'non-UTF8 input!': 'other error',
         E_USER_NOTICE
         );
      return NULL;
   }
 }

现在(在思考@hakre答案后编辑(，关于统一行为：我们可以开发一个合理的函数，使用PCRE库模仿str_word_count行为，接受错误的UTF8。对于此任务，我使用了@bobince iconv提示：

 /**
  * Like str_word_count() but showing how preg can do the same.
  * This function is most flexible but not faster than str_word_count.
  * @param $wRgx the "word regular expression" as defined by user.
  * @param $triggError changes behaviour causing error event.
  * @param $OnBadUtfTryAgain mimic the str_word_count behaviour.
  * @return 0 or positive integer as word-count, negative as PCRE error.
  */
 function preg_word_count($s,$wRgx='/[-'''p{L}]+/u', $triggError=true,
                          $OnBadUtfTryAgain=true) {
   if ( preg_match_all($wRgx,$s,$m) !== false )
      return count($m[0]);
   else {
      $lastError = preg_last_error();
      $chkUtf8 = ($lastError==PREG_BAD_UTF8_ERROR);
      if ($OnBadUtfTryAgain && $chkUtf8) 
         return preg_word_count(
            iconv('CP1252','UTF-8',$s), $wRgx, $triggError, false
         );
      elseif ($triggError) trigger_error(
         $chkUtf8? 'non-UTF8 input!': "error PCRE_code-$lastError",
         E_USER_NOTICE
         );
      return -$lastError;
   }
 }

演示(尝试其他输入！

 $s = "THE UTF-8 NO-BREAK'xA0SPACE"; // a non-ASCII byte
 print "'n-- str_word_count=".str_word_count($s,0);
 print "'n-- preg_word_count=".preg_word_count($s);
 $s = "THE UTF-8 NO-BREAK'xC2'xA0SPACE";  // utf8-encoded nbsp
 print "'n-- str_word_count=".str_word_count($s,0);
 print "'n-- preg_word_count=".preg_word_count($s);

好吧，我有点能感觉到你的失望，因为从str_word_count切换到preg_match_all并不容易。 但是你问问题的方式有点不精确，我还是试着回答它。不精确，因为你有大量的错误假设，你显然认为这是理所当然的(它发生在我们最好的人身上(。我希望我能稍微纠正一下：

$s = "THE UTF-8 NO-BREAK'xA0SPACE"; // a non-ASCII byte
preg_match_all('/[-'''p{L}]+/u',$s,$m);
var_dump($m);            // empty! (corrupted)

此代码是错误的。你在这里责怪 PHP 没有给出警告或其他东西，但我必须承认，这里唯一要责怪的是"你"。PHP 确实允许您检查错误。在你这么早就判断必须在错误处理中给出警告之前，我必须提醒你，有不同的方法来处理错误。一些处理是提供消息，另一种处理错误的方法是用返回值告诉它们。如果我们访问 preg_match_all 的手册页并查找返回值的文档，我们可以找到这个：

返回

完整模式匹配项的数量(可能为零(，如果发生错误，则返回 FALSE。

最后的部分：

如果发生错误，则为 FALSE [由我突出显示]

是错误处理中的一些常用方法，用于向调用代码发出发生某些错误的信号。让我们回顾一下您认为它不起作用的代码：

$s = "THE UTF-8 NO-BREAK'xA0SPACE"; // a non-ASCII byte
preg_match_all('/[-'''p{L}]+/u',$s,$m);
var_dump($m);            // empty! (corrupted)

这段代码唯一显示的是键入它的人(我猜是你(显然决定不进行任何错误处理。这很好，除非那个人也抗议代码不起作用。

可悲的是，这是一个常见的用户错误，如果你编写脆弱的代码(例如没有错误处理(，不要指望它能以可靠的方式工作。这永远不会发生。

那么当你编程时，这需要什么？首先，您应该了解您使用的功能。这通常需要了解输入参数和返回值。您会发现该信息通常记录在案。使用手册。其次，您实际上需要关心返回值并执行自己的错误处理。该函数本身不知道如果发生错误意味着什么。是个例外吗？然后，您可能需要执行异常处理，如演示示例中所示：

<?php
/**
 * @link http://stackoverflow.com/q/19316127/367456
 */
$s = "THE UTF-8 NO-BREAK'xA0SPACE"; // a non-ASCII byte
$result = preg_match_all('/[-'''p{L}]+/u',$s,$m);
if ($result === FALSE) {
    switch (preg_last_error()) {
        case PREG_BAD_UTF8_ERROR:
            throw new InvalidArgumentException(
                'UTF-8 encoded binary string expected.'
            );
        default:
            throw new RuntimeException('preg error occured.');
    }
}
var_dump($m);            // nothing at all corrupted...

无论如何，这意味着你需要看看你做了什么，了解它并编写更多的代码。没有魔法。没有错误。只是一点工作。

摆在你面前的另一部分可能是了解软件中的字符是什么，但这更独立于具体的编程语言，如PHP，例如你可以在这里进行介绍性阅读：

• 关于字符代码问题的教程
• 每个软件开发人员绝对、肯定地必须了解 Unicode 和字符集的绝对最低要求(没有任何借口！

或者可能是必读的书签，因为它有很多要读的，但它很好地解释了这一切。