Parsing Multibyte Zeichenfolge in PHP

Question

Ich möchte einen (HTML) Parser basierend auf Zustandsmaschine schreiben, aber ich habe Zweifel, wie man eine Eingabe wirklich lesen/verwenden. Ich entschied mich, die gesamte Eingabe in eine Zeichenfolge zu laden und dann mit ihr wie mit einem Array zu arbeiten und ihren Index als aktuelle Parsing-Position zu halten.

Es gibt keine Probleme mit der Ein-Byte-Kodierung, aber bei der Multi-Byte-Kodierung repräsentiert jeder Wert kein Zeichen, sondern ein Byte eines Zeichens.

Beispiel:

$mb_string = 'žščř'; //4 multi-byte characters in UTF-8 

for($i=0; $i < 4; $i++) 
{ 
    echo $mb_string[$i], PHP_EOL; 
} 

Ausgänge:

Ĺ 
ž 
Ĺ 
Ą 

Dies bedeutet, dass ich nicht durch den Strang in einer Schleife durchlaufen können einzelne Zeichen zu überprüfen, weil ich nie weiß, wenn ich bin in die Mitte eines Charakters oder nicht.

So sind die Fragen:

• Wie kann ich Multi-Byte ein einzelnes Zeichen aus einer Zeichenkette in einer Leistung freundlich sicher lesen?
• Ist es eine gute Idee mit dem String zu arbeiten, wie es ein Array in diesem Fall war?
• Wie würden Sie die Eingabe lesen?

Answer 1

http://php.net/mb_string ist das, was Sie

• nur mb_substr Zeichen suchen sie sind eins nach dem anderen
• erst PHP6
• welche Eingabe genau? Der übliche Weg im Allgemeinen

Answer 2

mb_internal_encoding("UTF-8"); 

$mb_string = 'žščř'; 

$l=mb_strlen($mb_string); 

for($i=0;$i<$l;$i++){ 
    print(mb_substr($mb_string,$i,1)."<br/>"); 
} 

Answer 3

Ohne die mdb_relatedFunctions zu verwenden und mit Multi-Byte-kodierten Strings können Sie Standard-Sub-String-Funktionen verwenden, die für die Codierung verwendet, ein Vielfaches der gelesenen Bytes.

Zum Beispiel für ein UTF-8 codiert (2 Byte) string wenn Sie das erste Zeichen aus dem String

$string = 'žščř'; //4 multi-byte characters in UTF-8 

Sie haben die $ string to get [0] UND $ string [1] Werte Sie suchen also nach der Teilzeichenfolge zwischen den Indizes 0 und 1 (für das erste Zeichen).

Beachten Sie, dass $ string [0] oder $ string [N] wird die erste (oder N-ten Byte des Multi-Byte-String)

Grüßen,