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('‘','’','“','”'),
array("'", "'", '"', '"'),
$string
);
// Version 4
$search = array(
'‘',
'’',
'“',
'”',
'—',
'–',
);
$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.
2 answers
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:
-
Ps
" Пунктуация, Открыть" -
Pe
" Пунктуация, Закрыть" -
Pi
" Пунктуация, Начальная цитата (может ведут себя как Ps или Pe в зависимости от использования)" -
Pf
" Пунктуация, заключительная цитата (может вести себя как Ps или Pe в зависимости от использования)" -
Po
" Пунктуация, Другое"
(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);