php去除英文和标点,php过滤中英文标点符号[gbk环境]

《php过滤中英文标点符号[gbk环境]》要点：

本文介绍了php过滤中英文标点符号[gbk环境]，希望对您有用。如果有疑问，可以联系我们。

原文：http://blog.csdn.net/huohuanyu1/article/details/76732898

项目需求需要对帖子标题做去重判断，前提是去除所有中英文标点符号。因为是老项目，gbk编码，在直接使用正则匹配去除标点符号时，发现会有乱码情况。在网上找了一些处理方法，多多少少都有些问题，满足不了我的需求。但也受到了些许启发，开始写了一个实现方法，有些麻烦，需要urlencode。/**

* 去除字符串中的标点符号[gbk编码环境]

* @param $str

* @return string

*/function punctFilter($str){

//先去掉英文标点符号、空格等

$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);    //再匹配中文标点符号 直接进行中文标点符号匹配会乱码，因此先编码后匹配。

//若以下标点还满足不了需要，可搜索中文gbk编码表,将对应标点符号加上即可。

$pattern = '/(%a1%a0|%a1%a1|%a1%a2|%a1%a3|%a1%a4|%a1%a5|%a1%a6|%a1%a7|%a1%a8|%a1%a9|%a1%aa|%a1%ab|%a1%ac|%a1%ad|%a1%ae|%a1%af|%a1%b0|%a1%b1|%a1%b2|%a1%b3|%a1%b4|%a1%b5|%a1%b6|%a1%b7|%a1%b8|%a1%b9|%a1%ba|%a1%bb|%a1%bc|%a1%bd|%a1%be|%a1%bf|%a1%c0|%a1%c1|%a1%c2|%a1%c3|%a1%c4|%a1%c5|%a1%c6|%a1%c7|%a1%c8|%a1%c9|%a1%ca|%a1%cb|%a1%cc|%a1%cd|%a1%ce|%a1%cf|%a1%d0|%a1%d1|%a1%d2|%a1%d3|%a1%d4|%a1%d5|%a1%d6|%a1%d7|%a1%d8|%a1%d9|%a1%da|%a1%db|%a1%dc|%a1%dd|%a1%de|%a1%df|%a1%e0|%a1%e1|%a1%e2|%a1%e3|%a1%e4|%a1%e5|%a1%e6|%a1%e7|%a1%e8|%a1%e9|%a1%ea|%a1%eb|%a1%ec|%a1%ed|%a1%ee|%a1%ef|%a1%f0|%a1%f1|%a1%f2|%a1%f3|%a1%f4|%a1%f5|%a1%f6|%a1%f7|%a1%f8|%a1%f9|%a1%fa|%a1%fb|%a1%fc|%a1%fd|%a3%a0|%a3%a1|%a3%a2|%a3%a3|%a3%a4|%a3%a5|%a3%a6|%a3%a7|%a3%a8|%a3%a9|%a3%aa|%a3%ab|%a3%ac|%a3%ad|%a3%ae|%a3%ba|%a3%bb|%a3%bc|%a3%bd|%a3%be|%a3%bf|%a3%c0|%a3%db|%a3%dc|%a3%dd|%a3%de|%a3%df|%a3%e0|%a3%fb|%a3%fc|%a3%fd|%a3%fe|%a3%ff)/iu';    $str = preg_replace($pattern, '', urlencode($str));    return urldecode($str);

}//使用示例$str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】';

var_dump('punctFilter($str)',punctFilter($str)); //结果为：和≦哈1eoヾ嘿哈

后来，看了鸟哥的一篇博客【分割GBK中文遭遇乱码的解决】http://www.laruence.com/2009/11/16/1147.html，顿悟的赶脚，因此优化如下：/**

* 去除字符串中的标点符号[gbk编码环境](废弃，看下面说明)

* @param $str

* @return string

*/function punctFilter($str){

//先去掉英文标点符号、空格等

$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);    //再匹配中文标点符号

//第1字节：A1–A9    第2字节：A1–FE  GB2312非汉字符号

return preg_replace('/([\xa1-\xa9][\xa1-\xfe])+/', '', $str);

}//使用示例$str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】';

var_dump(punctFilter($str)); //结果为：和≦哈1eoヾ嘿哈

若不仅想去掉标点符号，还想去掉扩充非汉字，如：ˊ ˋ ˙ – ― ‥ ‵ ℅ ℉ ↖ ↗ ↘ ↙ ∕ ∟ ∣等，修改如下：/**

* 去除字符串中的标点符号[gbk编码环境](废弃，看下面说明)

* @param $str

* @return string

*/function punctFilter($str){

//先去掉英文标点符号、空格等

$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);    //再匹配中文标点符号

//第1字节：A1–A9    第2字节：A1–FE          GB2312非汉字符号

//第1字节：A8–A9    第2字节：40–A0(7F除外)    扩充非汉字

return preg_replace('/(([\xa1-\xa9][\xa1-\xfe])|([\xa8-\xa9][\x40-\xa0]))+/', '', $str);

}//使用示例$str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】';

var_dump(punctFilter($str)); //结果为：和哈1eo嘿哈

近日又发现些问题，会有中文被替换后乱码的情况，比如“本楼盘有特价单位推出！开发商内部价格！找小邹买房有优惠！”使用上述方法替换后结果为“本绿有特价祷推出开诽内部价格找修买房有优惠”

究其原因，直接用preg_replace()匹配时，会出现类似如下情况：

已知“楼盘”两个字的gbk字符编码为 c2a5c5cc

使用正则(/([\xa1-\xa9][\xa1-\xfe])+/)替换时，会将a5c5替换掉，只留下c2cc

最终结果表现为“楼盘”替换成了“绿”字

因此最终决定一个字一个字的匹配处理，本人项目中标题为50字以内，因此循环处理还可以接受，若需要处理字符串较长，还是另寻他法吧。/**

* 去除字符串中的标点符号

* @param $str

* @return string

*/function punctFilter($str){

//先去掉英文标点符号、空格等

$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);    //再匹配中文标点符号

$len = mb_strlen($str,'gbk');    $newstr = $str;    for($i = 0; $i 

if(preg_match('/([\xa1-\xa9][\xa1-\xfe])+/', $substr,$match)){            $newstr = str_replace($substr, '', $newstr);

}

}    return $newstr;

}//使用示例$str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】';

var_dump(punctFilter($str)); //结果为：和≦哈1eoヾ嘿哈//使用示例$str = '本楼盘有特价单位推出！开发商内部价格！找小邹买房有优惠！';

var_dump(punctFilter($str)); //结果为：本楼盘有特价单位推出开发商内部价格找小邹买房有优惠