PHP将乱码的UTF8字符写入输出文件

Question

[请参阅下面的答案]

我正在使用preg_match_all从字符串中提取标签，例如：

＃tree＃ztdf＃n4＃晚

包含主题标签：tree，ztdf，n4，night

字符串可以是具有任何字符的任何语言，甚至包括表情符号。 因此，我在preg_match_all启用了utf-8标志（/ u）：

preg_match_all('/#([\pL\p{Mn}]+)/u', $media_caption,  $matches);

但是，某些字符的字节序列错误地匹配：

我读到这是preg_match_all，utf-8编码和php的问题 。 我还尝试从pcre添加其他utf-8标志（* UTF8）：

preg_match_all('(*UTF8)/#([\p{L}\p{Mn}]+)/u', $media_caption,  $matches)

..但后来我得到这个错误

语法错误，意外的“ Enabled” T标志

有人知道我如何使用preg_match_all使用任何utf-8字符提取#hashtags吗？

[编辑]

好的，第二天，回到问题上来：所以我昨天才意识到，我在json_decode（）之后得到的乱码只是通过Windows命令行查看输出而已，而这不能处理UTF8。 今天，我使用Git Bash Console运行该程序，并且-在pref_match_all中显示的输入在UTF8中看起来还不错。 -之后，也没有问题： str_replace(array("\\r\\n", "\\r", "\\n",","), ";", $media_caption); （替换所有换行符）-之后没有问题： preg_replace(' ！\\ s +！ u', ' ', $media_caption); （用一个空格代替多个空格）-现在最有趣的部分：在此之后它甚至看起来还不错： preg_match_all('/#([\\p{L}\\p{Mn}]+)/u', $media_caption, $matches);

例如，以下字符串的var_dump在Git Bash中是这样的：

 string(15) "presadebuendía"

..但在书面CSV / TXT那就是： presadebuend㮡而这个Embalse de Buendía正确写入文件。

目前，我正在研究代码的某些部分，这些部分可能会在数据处理期间与字符编码混淆。 到目前为止，我已经尝试过：

• header('Content-Encoding: UTF-8');
• header('Content-type: text/csv; charset=UTF-8');
• mb_internal_encoding("UTF-8"); 并用以下函数替换fopen：

function utf8_fopen_read($fileName) { 
    $fc = iconv('windows-1250', 'utf-8', file_get_contents($fileName)); 
    $handle=fopen("php://memory", "rw"); 
    fwrite($handle, $fc); 
    fseek($handle, 0); 
    return $handle; 
} 

..但这些都不能解决问题。

Answer 1

非常感谢大家的评论。 我为指向错误的方向而道歉： preg_match_all和其他正则表达式函数不是我弄乱字符的问题。 有两件事使我感到困惑（例如Windows命令行无法输出UTF8）。 最后，我的代码中只有一个问题：

• 在将字符串写入文件之前，我使用了strtolower函数，该函数将所有小写字母都减少了，包括í（\\ u00e）之类的特殊字符。 解决方案是改用mb_strtolower ，它仅限于字母字符。

当然，您无法发现此问题，因为我没有在问题中包括特定的代码部分！ 在寻找问题期间，我还添加了

• header('Content-Encoding: UTF-8');
• header('Content-type: text/csv; charset=UTF-8');
• mb_internal_encoding("UTF-8");

到我的php-script文件，但这似乎对我的输出文件没有任何影响。 无论如何，解决了我的问题。 谢谢！