Конвертируйте все типы интеллектуальных котировок с помощью PHP

Question

Конвертируйте все типы интеллектуальных котировок с помощью PHP

Я пытаюсь преобразовать все типы интеллектуальных кавычек в обычные кавычки при работе с текстом. Однако следующей функции, которую я скомпилировал, по-прежнему, похоже, не хватает поддержки и надлежащего дизайна.

Кто-нибудь знает, как правильно преобразовать все символы кавычек ?

function convert_smart_quotes($string)
{
    $quotes = array(
        "\xC2\xAB"   => '"', // « (U+00AB) in UTF-8
        "\xC2\xBB"   => '"', // » (U+00BB) in UTF-8
        "\xE2\x80\x98" => "'", // ‘ (U+2018) in UTF-8
        "\xE2\x80\x99" => "'", // ’ (U+2019) in UTF-8
        "\xE2\x80\x9A" => "'", // ‚ (U+201A) in UTF-8
        "\xE2\x80\x9B" => "'", // ‛ (U+201B) in UTF-8
        "\xE2\x80\x9C" => '"', // “ (U+201C) in UTF-8
        "\xE2\x80\x9D" => '"', // ” (U+201D) in UTF-8
        "\xE2\x80\x9E" => '"', // „ (U+201E) in UTF-8
        "\xE2\x80\x9F" => '"', // ‟ (U+201F) in UTF-8
        "\xE2\x80\xB9" => "'", // ‹ (U+2039) in UTF-8
        "\xE2\x80\xBA" => "'", // › (U+203A) in UTF-8
    );
    $string = strtr($string, $quotes);

    // Version 2
    $search = array(
        chr(145),
        chr(146),
        chr(147),
        chr(148),
        chr(151)
    );
    $replace = array("'","'",'"','"',' - ');
    $string = str_replace($search, $replace, $string);

    // Version 3
    $string = str_replace(
        array('&#8216;','&#8217;','&#8220;','&#8221;'),
        array("'", "'", '"', '"'),
        $string
    );

    // Version 4
    $search = array(
        '&lsquo;', 
        '&rsquo;', 
        '&ldquo;', 
        '&rdquo;', 
        '&mdash;',
        '&ndash;',
    );
    $replace = array("'","'",'"','"',' - ', '-');
    $string = str_replace($search, $replace, $string);

    return $string;
}

Примечание: Этот вопрос представляет собой полный запрос о полном спектре цитат, включая цитаты "Microsoft", заданные здесь Это "дубликат" таким же образом, как и вопрос о все размеры шин - это "дубликат" запроса размера автомобильных шин.

20

php html unicode replace double-quotes

Author: Community, 2013-11-17

Source

2 answers

Вы можете использовать эту функцию для преобразования всех символов:

$output = iconv('UTF-8', 'ASCII//TRANSLIT', $input);

Будьте уверены и измените свои типы на то, что вам нужно.

(примечание: это из другого аналогичного вопроса, найденного здесь).

1

Author: Lokiare, 2018-05-25 15:19:28

score 59 · Accepted Answer

Вам нужно что-то вроде этого (предполагая ввод UTF-8 и игнорируя CJK (китайский, японский, корейский)):

$chr_map = array(
   // Windows codepage 1252
   "\xC2\x82" => "'", // U+0082⇒U+201A single low-9 quotation mark
   "\xC2\x84" => '"', // U+0084⇒U+201E double low-9 quotation mark
   "\xC2\x8B" => "'", // U+008B⇒U+2039 single left-pointing angle quotation mark
   "\xC2\x91" => "'", // U+0091⇒U+2018 left single quotation mark
   "\xC2\x92" => "'", // U+0092⇒U+2019 right single quotation mark
   "\xC2\x93" => '"', // U+0093⇒U+201C left double quotation mark
   "\xC2\x94" => '"', // U+0094⇒U+201D right double quotation mark
   "\xC2\x9B" => "'", // U+009B⇒U+203A single right-pointing angle quotation mark

   // Regular Unicode     // U+0022 quotation mark (")
                          // U+0027 apostrophe     (')
   "\xC2\xAB"     => '"', // U+00AB left-pointing double angle quotation mark
   "\xC2\xBB"     => '"', // U+00BB right-pointing double angle quotation mark
   "\xE2\x80\x98" => "'", // U+2018 left single quotation mark
   "\xE2\x80\x99" => "'", // U+2019 right single quotation mark
   "\xE2\x80\x9A" => "'", // U+201A single low-9 quotation mark
   "\xE2\x80\x9B" => "'", // U+201B single high-reversed-9 quotation mark
   "\xE2\x80\x9C" => '"', // U+201C left double quotation mark
   "\xE2\x80\x9D" => '"', // U+201D right double quotation mark
   "\xE2\x80\x9E" => '"', // U+201E double low-9 quotation mark
   "\xE2\x80\x9F" => '"', // U+201F double high-reversed-9 quotation mark
   "\xE2\x80\xB9" => "'", // U+2039 single left-pointing angle quotation mark
   "\xE2\x80\xBA" => "'", // U+203A single right-pointing angle quotation mark
);
$chr = array_keys  ($chr_map); // but: for efficiency you should
$rpl = array_values($chr_map); // pre-calculate these two arrays
$str = str_replace($chr, $rpl, html_entity_decode($str, ENT_QUOTES, "UTF-8"));

Вот предыстория:

Каждый символ Юникода принадлежит ровно к одной "Общей категории" , из которых те, которые могут содержать символы кавычек, следующие:

(эти страницы удобны для проверки того, что вы ничего не пропустили - также есть указатель категорий)

Иногда бывает полезно сопоставить эти категории в регулярном выражении с поддержкой Юникода.

Кроме того, символы Юникода имеют "свойства", из которых вас интересует Quotation_Mark. К сожалению, они недоступны в регулярном выражении.

В Википедии вы можете найти группу символов со свойством Quotation_Mark. Окончательная ссылка - PropList.txt на unicode.org , но это текстовый файл ASCII.

В случае, если вам также потребуется перевести символы CJK, вам нужно только получить их кодовые точки, определить их перевод и найти их кодировку UTF-8, например, посмотрев его в fileformat.info (например, для U+301E: http://www.fileformat.info/info/unicode/char/301e/index.htm).

Что касается кодовой страницы Windows 1252: Юникод определяет первые 256 кодовых точек для представления точно таких же символов, как ISO-8859-1, но ISO-8859-1 часто путают с кодовой страницей Windows 1252, так что все браузеры отображают диапазон 0x80-0x9F, который "пуст" в ISO-8859-1 (точнее: он содержит элемент управления символов), как если бы это была кодовая страница Windows 1252. В таблице на странице Википедии перечислены эквиваленты Юникода.

Примечание: strtr() часто медленнее, чем str_replace(). Время это с вашим вводом и вашей версией PHP. Если это достаточно быстро, вы можете напрямую использовать карту, такую как моя $chr_map.

Если вы не уверены, что ваш ввод закодирован в кодировке UTF-8, И готовы предположить, что если это не так, то это ISO-8859-1 или кодовая страница Windows 1252, то вы можете сделать это прежде всего:

if ( !preg_match('/^\\X*$/u', $str)) {
   $str = utf8_encode($str);
}

Предупреждение: это регулярное выражение может в очень редких случаях не обнаруживать кодировку, отличную от UTF-8. Например, "Gruß…"/*CP-1252*/=="Gru\xDF\x85" выглядит как UTF-8 для этого регулярного выражения (U+07C5 - цифра N'ko 5). Это регулярное выражение может быть немного улучшено, но, к сожалению, можно показать, что не существует полностью надежного решения проблемы обнаружения кодирования.

Если вы хотите нормализовать диапазон 0x80-0x9F, который связан с кодовой страницей Windows 1252, до обычного Юникода кодовые точки, вы можете сделать это (и удалить первую часть $chr_map выше):

$normalization_map = array(
   "\xC2\x80" => "\xE2\x82\xAC", // U+20AC Euro sign
   "\xC2\x82" => "\xE2\x80\x9A", // U+201A single low-9 quotation mark
   "\xC2\x83" => "\xC6\x92",     // U+0192 latin small letter f with hook
   "\xC2\x84" => "\xE2\x80\x9E", // U+201E double low-9 quotation mark
   "\xC2\x85" => "\xE2\x80\xA6", // U+2026 horizontal ellipsis
   "\xC2\x86" => "\xE2\x80\xA0", // U+2020 dagger
   "\xC2\x87" => "\xE2\x80\xA1", // U+2021 double dagger
   "\xC2\x88" => "\xCB\x86",     // U+02C6 modifier letter circumflex accent
   "\xC2\x89" => "\xE2\x80\xB0", // U+2030 per mille sign
   "\xC2\x8A" => "\xC5\xA0",     // U+0160 latin capital letter s with caron
   "\xC2\x8B" => "\xE2\x80\xB9", // U+2039 single left-pointing angle quotation mark
   "\xC2\x8C" => "\xC5\x92",     // U+0152 latin capital ligature oe
   "\xC2\x8E" => "\xC5\xBD",     // U+017D latin capital letter z with caron
   "\xC2\x91" => "\xE2\x80\x98", // U+2018 left single quotation mark
   "\xC2\x92" => "\xE2\x80\x99", // U+2019 right single quotation mark
   "\xC2\x93" => "\xE2\x80\x9C", // U+201C left double quotation mark
   "\xC2\x94" => "\xE2\x80\x9D", // U+201D right double quotation mark
   "\xC2\x95" => "\xE2\x80\xA2", // U+2022 bullet
   "\xC2\x96" => "\xE2\x80\x93", // U+2013 en dash
   "\xC2\x97" => "\xE2\x80\x94", // U+2014 em dash
   "\xC2\x98" => "\xCB\x9C",     // U+02DC small tilde
   "\xC2\x99" => "\xE2\x84\xA2", // U+2122 trade mark sign
   "\xC2\x9A" => "\xC5\xA1",     // U+0161 latin small letter s with caron
   "\xC2\x9B" => "\xE2\x80\xBA", // U+203A single right-pointing angle quotation mark
   "\xC2\x9C" => "\xC5\x93",     // U+0153 latin small ligature oe
   "\xC2\x9E" => "\xC5\xBE",     // U+017E latin small letter z with caron
   "\xC2\x9F" => "\xC5\xB8",     // U+0178 latin capital letter y with diaeresis
);
$chr = array_keys  ($normalization_map); // but: for efficiency you should
$rpl = array_values($normalization_map); // pre-calculate these two arrays
$str = str_replace($chr, $rpl, $str);