PHP: Unicode Karakterlerinini Özellikleri

Unicode Karakterlerinini Özellikleri

UTF-8 kipi seçildiğinde soysal karakter türleriyle eşleşen üç düzenli ifade işleci daha devreye girmiştir. Bunlar:

\p{xx}: xx özelliğine sahip bir karakter
\P{xx}: xx özelliği olmayan bir karakter
\X: bir genişletilmiş Unicode dizilimi

Yukarıda xx ile belirtilen özellik isimleri Unicode genel sınıf özellikleriyle sınırlıdır. Belirtilen her karakter, belli bir özelliğin iki harflik kısaltmasındaki harflerle aynı olmak zorundadır. Perl ile uyumluluk için, olumsuzlama işleci kaşlı ayraç ile özellik kısaltmasının ilk harfi arasına konmalıdır. Örneğin, \p{^Lu} şablonu \P{Lu} ile aynıdır.

Eğer \p veya \P ile tek bir harf belirtilirse bu harfle başlayan tüm özellikleri ifade edecektir. Böyle bir durumda, olumsuzlama işleci kullanılmayacaksa kaşlı ayraçların kullanımı isteğe bağlıdır. Yani, bu iki örnek aynı etkiye sahiptir:

      \p{L}
      \pL

**Desteklenen özellik kodları**
Özellik	Eşleşmeler	Açıklamalar
`C`	Diğer
`Cc`	Denetim
`Cf`	Biçem
`Cn`	Atanmamış
`Co`	Özel kullanım
`Cs`	İkame
`L`	Harf	Şu özellikleri içerir: `Ll`, `Lm`, `Lo`, `Lt` ve `Lu`.
`Ll`	Küçük harf
`Lm`	Değiştirici harf
`Lo`	Diğer harf
`Lt`	Başlık harfi
`Lu`	Büyük harf
`M`	İm
`Mc`	Boşluk imi
`Me`	Kapsama imi
`Mn`	Boşluk bırakmama imi
`N`	Sayı
`Nd`	Onluk sayı
`Nl`	Harf numarası
`No`	Diğer sayı
`P`	Noktalama
`Pc`	Bağlayıcı noktalama
`Pd`	Tire imi
`Pe`	Kapama imi
`Pf`	Sonlandırma imi
`Pi`	Başlatma imi
`Po`	Diğer noktalama
`Ps`	Açma imi
`S`	Simge
`Sc`	Para simgesi
`Sk`	Değiştirici simge
`Sm`	Matematiksel simge
`So`	Diğer simge
`Z`	Ayraç
`Zl`	Satır ayracı
`Zp`	Paragraf ayracı
`Zs`	Boşluk ayracı

"InMusicalSymbols" gibi ek özellikler PCRE tarafından desteklenmemektedir.

Harf büyüklüğüne duyarsız eşleşme belirtilmesi bu önceleme dizilimlerini etkilemez. Örneğin, \p{Lu} şablonu daima sadece büyük harflerle eşleşecektir.

Unicode karakter kümeleri, belirli dillere ait olarak tanımlanır. Bu kümelerden birindeki bir karakter, bir dil adı kullanılarak eşleştirilebilir. Örneğin:

\p{Greek}
\P{Han}

Tanımlanmış bir dilin parçası olmayanlar ortak (Common) olarak bir araya toplanır. Mevcut dil listesi:

**Desteklenen Diller**
`Arapça`	`Ermenice`	`Avestan`	`Balice`	`Bamum`
`Batak`	`Bengali`	`Bopomofo`	`Brahmi`	`Braille`
`Bugice`	`Buhid`	`Kanadalı_Aborijin`	`Karya`	`Çakma`
`Cham`	`Çeroki`	`Ortak`	`Kıpti`	`Çivi Yazısı`
`Kıbrıslı`	`Kiril`	`Deseret`	`Devanagari`	`Mısır_Hiyeroglifleri`
`Etiyopyalı`	`Gürcü`	`Glagolitik`	`Gotik`	`Yunan`
`Gujarati`	`Gurmukhi`	`Han`	`Hangul`	`Hanunoo`
`İbranice`	`Hiragana`	`İmparatorluk_Aramice`	`Miras`	`Yazıtlı_Pehlevi`
`Yazıtlı_Partiyalı`	`Cavaca`	`Kaithi`	`Kannada`	`Katakana`
`Kayah_Li`	`Kharoshthi`	`Kımer`	`Lao`	`Latince`
`Lepcha`	`Limbu`	`Doğrusal_B`	`Lisu`	`Likyaca`
`Lidyaca`	`Malayalamca`	`Mandaik`	`Meetei_Mayek`	`Meroitik_Elyazısı`
`Meroitik_Hiyeroglifler`	`Miao`	`Moğolca`	`Myanmar`	`New_Tai_Lue`
`Nko`	`Ogham`	`Eski_İtalik`	`Eski_Farsça`	`Eski_Güney_Arapçası`
`Eski_Türk`	`Ol_Chiki`	`Oriya`	`Osmanya`	`Phags_Pa`
`Fenike`	`Rejang`	`Runik`	`Samiriyeli`	`Saurashtra`
`Sharada`	`Shavian`	`Sinhala`	`Sora_Sompeng`	`Sundaca`
`Syloti_Nagri`	`Süryanice`	`Tagalog`	`Tagbanwa`	`Tai_Le`
`Tai_Tham`	`Tai_Viet`	`Takri`	`Tamil`	`Telugu`
`Thaana`	`Thai`	`Tibetçe`	`Tifinagh`	`Ugaritik`
`Vai`	`Yi`

\X öncelemi, bir Unicode genişletilmiş grafem kümesiyle eşleşir. Genişletilmiş bir grafem kümesi, tek bir glif oluşturmak için birleşen bir veya daha fazla Unicode karakteridir. Gerçekte, bu, Unicode eşdeğeri olarak düşünülebilir. Çünkü onu oluşturmak için gerçekte kaç karakter kullanıldığına bakılmaksızın, oluşturulmuş bir karakterle eşleşecektir.

8.32'den daha eski PCRE sürümlerinde (birlikte verilen PCRE kitaplığını kullanırken 5.4.14'ten önceki PHP sürümlerine karşılık gelir), \X ile (?>\PM\pM*) eşdeğerdir. Yani, "mark" özelliği olmayan bir karakterle, ardından "mark" özelliğine sahip sıfır veya daha fazla karakterle eşleşir ve diziyi bir atomik grup olarak ele alır (aşağıya bakın). "Mark" özelliğine sahip karakterler tipik olarak önceki karakteri etkileyen aksanlardır.

Unicode karakterleriyle eşleşme hızlı değildir, çünkü PCRE on beş binden fazla karakter içeren bir kümeyi araştırmak zorundadır. \d ve \w gibi geleneksel işleçlerin PCRE'de Unicode özelliklerini kullanmamasının sebebi budur.

add a note

User Contributed Notes 8 notes

down

huhwatnouDONTspamPLEASE at hotmail dot com ¶

8 years 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.

down

xuantoaiph at gmail dot com ¶

10 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.

down

mercury at caucasus dot net ¶

14 years ago


An excellent article explaining all these properties can be found here: http://www.regular-expressions.info/unicode.html

down

o_shes01 at uni-muenster dot de ¶

13 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

down

suit at rebell dot at ¶

14 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

}

?>

down

Yzmir Ramirez ¶

10 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.

down

-4

o_shes01 at uni-muenster dot de ¶

13 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

down

-4

php at lnx-bsp dot net ¶

6 years 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.

add a note