删除/替换非单词字符时处理unicode

Question

我想从具有unicode（非ASCII）字符的字符串中删除标点符号（通常为非单词字符）。

例如New $Orléans到New Orléans或NewOrléans（如果空间被删除）

我来交叉使用至今\W或\w（见PHP strip punctuation）

我的挑战是保持统一的方法。如果我使用\W的Î上Île-de-France获取删除/替换：

preg_replace('/\W+/', "-", 'Île-de-France')给-le-de-France

是否可以除去非字字符和处理仍是单词字符非ASCII字符？

谢谢。

Answer 1

如果你需要最安全的正则表达式来处理Unicode字母除去非单词字符时，使用

'/[^\p{M}\w]+/u' 

见regex demo

的一点是，通过各种手段您需要的/u修改（使PCRE引擎能够将该模式和字符串视为Unicode字符串），并且\W不匹配组合标记。

如果您不需要担心组合标记，则可以使用'/\W+/u'正则表达式来删除非单词字符。

此外，请参阅/u modifier reference：

u (PCRE_UTF8)
这个修饰符打开PCRE的附加功能与Perl不兼容。模式和主题字符串被视为UTF-8。