PHP：恢复转义的Unicode字符[重复]

Posted 2023-02-24

【中文标题】PHP：恢复转义的Unicode字符[重复]

【英文标题】：PHP: reverting escaped unicode characters [duplicate]

【发布时间】：2021-05-09 01:19:06

【问题描述】：

我必须将非 ASCII 字符编码为符号 \X--\ 的文本解析，其中 -- 是字符的 Unicode 编号。例如：

vis\XED\vel numa das imagens pr\XE9\vias \XE0\ administra\XE7\\XE3\o

应该转换成

visível numa das imagens prévias à administração

我可以像尼安德特人那样做：寻找“\X”，2 个字符后确认有“/”，用相应的字符替换整个内容，冲洗并重复，直到找不到更多匹配项。但是，肯定有更好的方法来做到这一点。

然后，我尝试使用正则表达式，这是我不太了解的东西。在 RegExr 上，我最终得到了符合我需要的正则表达式 '/\X\w2\/'。但是当我尝试将它与 preg_replace_callback() 一起使用时，特别是使用字符串 "/\\X\w2\\/" 作为正则表达式时，我收到“非法/不支持的转义序列”错误。我尝试了一些我在网上找到的其他正则表达式，无论是在这个网站上还是在其他地方，都无济于事。

最后，我也不太确定用适当的字符替换 Unicode 数字的最佳方法是什么。

所以，我的问题有两个：

• 查找转义字符的理想方法是什么？

• 如何从 Unicode 编号中获取 UTF 字符？

【问题讨论】：

一个问题——你的字符串不应该是administra\XE7\\XE3\o，而不是administra\XE7\XE3\o吗？

@El_Vanja 确实！感谢您指出我的错误。现在已经修好了。

对于 REGEX 表达式，您应该双转义反斜杠以使其工作。所以在 REGEX 编辑器中的双反斜杠需要在 php 中变成三重反斜杠。

第二部分见this question。

@El_Vanja 感谢您的帮助！如果没有它，我需要很长时间才能弄清楚这一点。

【参考方案1】：

首先，正如Right way to escape backslash [ \ ] in PHP regex? 中提到的，应该使用4 个斜线来匹配反斜线。因此，正则表达式变为"/\\\\X\\w2\\\\/"。

至于解码，我找到的最简单的方法是将转义字符转换为 html 实体格式并使用 html_entity_decode() 函数。因此，代码最终如下：

function unescapeText(string $str)

    return preg_replace_callback(
        "/\\\\X\\w2\\\\/",
        fn($m) => html_entity_decode('&#x'.substr($m[0], 2, 2).';', ENT_NOQUOTES, 'UTF-8'),
        $str
    );

最后一句忠告：一开始我遇到了一些麻烦，因为双引号将字符串转换为二进制；单引号将双反斜杠转义为 1（因此，\XE7\\XE3\ 将变为 \XE7\XE3\）。这导致了各种各样的问题。使用 Nowdoc 语法最终使文本按照我的意图进行了字面解释。