php - 使用 preg_match_all 和 UTF-8 正确 PREG_OFFSET_CAPTURE

Question

我正在使用 preg_match_all 在字符串中查找所有标签及其位置

preg_match_all('/<\/?([a-zA-Z]+)[^>]*>/', $text, $tags, PREG_SET_ORDER | PREG_OFFSET_CAPTURE);

它适用于 Windows-1251，但是一旦我切换到 UTF-8（并将 /u 添加到正则表达式）

preg_match_all('/<\/?([a-zA-Z]+)[^>]*>/u', $text, $tags, PREG_SET_ORDER | PREG_OFFSET_CAPTURE);

它可以正确识别标签，但会错误计算偏移量。

为了解决这个问题，我尝试转换为 UTF-32

$text32 = mb_convert_encoding($text, 'utf-32', 'utf-8');
preg_match_all('/<\/?([a-zA-Z]+)[^>]*>/', $text32, $tags, PREG_SET_ORDER | PREG_OFFSET_CAPTURE);

这打破了更多，它返回 void$tags数组。

我试图将正则表达式与文本一起转换：

$text32 = mb_convert_encoding($text, 'utf-32', 'utf-8');
preg_match_all(mb_convert_encoding('/<\/?([a-zA-Z]+)[^>]*>/', 'utf-32', 'utf-8'), $text32, $tags, PREG_SET_ORDER | PREG_OFFSET_CAPTURE);

但它现在甚至看不到正则表达式：

  PHP Warning:  preg_match_all(): Null byte in regex

所以我的问题是如何使 preg_match_all 与 UTF-32 一起工作？或者如何修复 UTF-8 编码的不正确偏移量。

PS我尝试了UTF-16，结果相同。PPS php 文件编码为 UTF-8。

标签： phpregexutf-8utf-32