PHP 7.2.0 Release Candidate 4 Released

Свойства Unicode-символов

Начиная с версии 5.1.0, были добавлены три дополнительные управляющие последовательности, совпадающих с некоторыми общими символьными типами в режиме UTF-8. Вот они:

\p{xx}
символ со свойством xx
\P{xx}
символ без свойства xx
\X
расширенная последовательность Unicode

Имена свойств, представленные выше как xx, ограничены общими категориями свойств Unicode. Каждый символ имеет ровно одно такое свойство, указываемое двухбуквенной аббревиатурой. Для совместимости с Perl также можно указать отрицание добавлением знака "^" между открывающей скобкой и именем свойства. Например, \p{^Lu} - это то же самое, что и \P{Lu}.

Если с \p или \P указана только одна буква, она включает все свойства, которые начинаются с этой буквы. В этом случае, если не используется отрицание, фигурные скобки необязательны; следующие два примера эквивалентны:

\p{L}
\pL
Поддерживаемые коды свойств
Свойство Совпадение Замечание
C Другое  
Cc Control  
Cf Формат  
Cn Не присвоено  
Co Частное использование  
Cs Суррогат  
L Буква Включает следующие свойства: Ll, Lm, Lo, Lt и Lu.
Ll Строчная буква  
Lm Модификатор буквы  
Lo Другая буква  
Lt Заглавная буква  
Lu Прописная буква  
M Знак  
Mc Пробельный знак  
Me Окружающий знак  
Mn Не пробельный знак  
N Число  
Nd Десятичное число  
Nl Буквенное число  
No Другое число  
P Пунктуация  
Pc Соединяющая пунктуация  
Pd Знаки тире  
Pe Закрывающая пунктуация  
Pf Заключительная пунктуация  
Pi Начальная пунктуация  
Po Другая пунктуация  
Ps Открывающая пунктуация  
S Символ  
Sc Денежный знак  
Sk Модификатор символа  
Sm Математический символ  
So Другой символ  
Z Разделитель  
Zl Разделитель строки  
Zp Разделитель абзаца  
Zs Пробельный разделитель  

Расширенные свойства, такие как музыкальные символы (InMusicalSymbols) не поддерживаются в PCRE.

Указывание регистро-независимого (безрегистрового) режима не влияет на эти управляющие последовательности. Например, \p{Lu} всегда совпадает только с прописными буквами.

Подмножества Unicode символов описываются как принадлежащие определенным сценариям. Любой символ из этих подмножеств может быть найден с использованием имени сценария. Например:

  • \p{Greek}
  • \P{Han}

Также те символы, которые не являются часть конкретного сценария объединены вместе в сценарий Common. Текущий список сценариев:

Поддерживаемые сценарии
Arabic Armenian Avestan Balinese Bamum
Batak Bengali Bopomofo Brahmi Braille
Buginese Buhid Canadian_Aboriginal Carian Chakma
Cham Cherokee Common Coptic Cuneiform
Cypriot Cyrillic Deseret Devanagari Egyptian_Hieroglyphs
Ethiopic Georgian Glagolitic Gothic Greek
Gujarati Gurmukhi Han Hangul Hanunoo
Hebrew Hiragana Imperial_Aramaic Inherited Inscriptional_Pahlavi
Inscriptional_Parthian Javanese Kaithi Kannada Katakana
Kayah_Li Kharoshthi Khmer Lao Latin
Lepcha Limbu Linear_B Lisu Lycian
Lydian Malayalam Mandaic Meetei_Mayek Meroitic_Cursive
Meroitic_Hieroglyphs Miao Mongolian Myanmar New_Tai_Lue
Nko Ogham Old_Italic Old_Persian Old_South_Arabian
Old_Turkic Ol_Chiki Oriya Osmanya Phags_Pa
Phoenician Rejang Runic Samaritan Saurashtra
Sharada Shavian Sinhala Sora_Sompeng Sundanese
Syloti_Nagri Syriac Tagalog Tagbanwa Tai_Le
Tai_Tham Tai_Viet Takri Tamil Telugu
Thaana Thai Tibetan Tifinagh Ugaritic
Vai Yi        

\X находит расширенный Unicode графемный кластер. Расширенный графемный кластер - это один или несколько Unicode символов, которые объединяются в один символьный знак (глиф). По сути, его можно рассматривать как Unicode эквивалент для ., так как он находит один независимый комплексный символ, независимо от того, сколько отдельных символов используется для его отрисовки.

Для версий PCRE до 8.32 (что соответствует версиям PHP до 5.4.14 при использовании встроенной библиотеки PCRE), \X равносилен (?>\PM\pM*). Таким образом, он ищет символы без свойства "mark", и рассматривает последовательность как атомарную группу (см ниже). Символы со свойством "mark" обычно являются отличительными признаками, которые влияют на предыдущий символ.

Совпадение символов по Unicode свойству не является быстрой операцией, потому для этой цели PCRE необходимо осуществить поиск в структуре данных с более чем пятнадцатью тысяч символов. Поэтому традиционные управляющие последовательности в PCRE, такие как \d и \w, не используют Unicode свойства.

add a note add a note

User Contributed Notes 8 notes

up
4
huhwatnouDONTspamPLEASE at hotmail dot com
1 year ago
To select UTF-8 mode for the additional escape sequences (\p{xx}, \P{xx}, and \X) , use the "u" modifier (see http://php.net/manual/en/reference.pcre.pattern.modifiers.php).

I wondered why a German sharp S (ß) was marked as a control character by \p{Cc} and it took me a while to properly read the first sentence: "Since 5.1.0, three additional escape sequences to match generic character types are available when UTF-8 mode is selected. " :-$ and then to find out how to do so.
up
10
xuantoaiph at gmail dot com
3 years ago
My country, Vietnam, have our own alphabet table:
http://en.wikipedia.org/wiki/Vietnamese_alphabet
I hope PHP will support better than in Vietnamese.
up
6
mercury at caucasus dot net
7 years ago
An excellent article explaining all these properties can be found here: http://www.regular-expressions.info/unicode.html
up
4
o_shes01 at uni-muenster dot de
6 years ago
For those who wonder: 'letter_titlecase' applies to digraphs/trigraphs, where capitalization involves only the first letter.
For example, there are three codepoints for the "LJ" digraph in Unicode:
  (*) uppercase "LJ": U+01C7
  (*) titlecase "Lj": U+01C8
  (*) lowercase "lj": U+01C9
up
1
Yzmir Ramirez
4 years ago
If you are working with older environments you will need to first check to see if the version of PCRE will work with unicode directives described above:

<?php

// Need to check PCRE version because some environments are
// running older versions of the PCRE library
// (run in *nix environment `pcretest -C`)

$allowInternational = false;
if (
defined('PCRE_VERSION')) {
    if (
intval(PCRE_VERSION) >= 7) { // constant available since PHP 5.2.4
       
$allowInternational = true;
    }
}
?>

Now you can do a fallback regex (e.g. use "/[a-z]/i"), when the PCRE library version is too old or not available.
up
0
php at lnx-bsp dot net
23 days ago
Not made clear in the top of page explanation, but these escaped character classes can be included within square brackets to make a broader character class. For example:

<?php preg_match( '/[\p{N}\p{L}]+/', $data ) ?>

Will match any combination of letters and numbers.
up
-1
suit at rebell dot at
7 years ago
these properties are usualy only available if PCRE is compiled with "--enable-unicode-properties"

if you want to match any word but want to provide a fallback, you can do something like that:

<?php
if(@preg_match_all('/\p{L}+/u', $str, $arr) {
 
// fallback goes here
  // for example just '/\w+/u' for a less acurate match
}
?>
up
-3
o_shes01 at uni-muenster dot de
6 years ago
For those who wonder: 'letter_titlecase' applies to digraphs/trigraphs, where capitalization involves only the first letter.
For example, there are three codepoints for the "LJ" digraph in Unicode:
  (*) uppercase "LJ": U+01C7
  (*) titlecase "Lj": U+01C8
  (*) lowercase "lj": U+01C9
To Top