使用PHP转换所有类型的智能报价

Question

我正在尝试在处理文本时将所有类型的智能引号转换为常规引号。但是，我编译的以下函数似乎仍然缺乏支持和适当的设计。

有人知道如何正确转换所有引号字符吗？

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;
}

注意：此问题是有关全部报价（包括此处要求的“Microsoft”引）的完整查询。这是“重复”，与询问所有轮胎尺寸与要求汽车轮胎的“重复”相同尺寸。

Answer 1

您需要这样的内容（假设输入UTF-8，而忽略CJK（中文，日文，韩文））：

$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"));

这里是背景：

每个Unicode字符都完全属于一个“常规类别”，其中可以包含引号字符的字符如下：

• Ps “标点符号，打开”
• Pe “标点符号，关闭”
• Pi “标点符号，初始引号（根据用法，其行为可能类似于Ps或Pe）”
• Pf “标点符号，最终报价（根据用法，其行为可能类似于Ps或Pe）”
• Po “标点符号，其他”

（这些页面可方便地检查您是否没有错过任何内容-
类别索引）

有时在启用Unicode的正则表达式中匹配这些类别很有用。

此外，Unicode字符具有“属性”，您感兴趣的是Quotation_Mark。不幸的是，这些不能在正则表达式中访问。

在Wikipedia中，您可以找到具有Quotation_Mark属性的字符组。最终参考是unicode.org上的PropList.txt，但这是一个ASCII文本文件。

如果您还需要翻译CJK字符，则只需获取它们的代码点，确定其翻译，并找到其UTF-8编码，例如，通过在fileformat.info中查找（例如，对于U +
301E：http
：//www.fileformat.info/info/unicode/char/301e/index.htm
）。

关于Windows代码页1252：Unicode定义了前256个代码点，以表示与ISO-8859-1完全相同的字符，但是ISO-8859-1通常与Windows代码页1252混淆，因此所有浏览器都呈现0x80-0x9F范围，在ISO-8859-1中为“空”（更确切地说：它包含控制字符），就像Windows代码页1252一样。Wikipedia页中的表列出了Unicode等效项。

注意：strtr()通常比慢str_replace()。使用您的输入和PHP版本为其计时。如果速度足够快，您可以直接使用地图，例如my $chr_map。

如果您不确定您的输入是UTF-8编码的，并且愿意假设输入不是UTF-8编码的，那么它是ISO-8859-1或Windows代码页1252，那么您可以在执行其他操作之前执行此操作：

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

警告：不过，这种正则表达式在极少数情况下可能无法检测到非UTF-8编码。例如："Gruß…"/*CP-1252*/=="Gru\xDF\x85"看起来像此正则表达式的UTF-8（U
+ 07C5是N’ko数字5）。该正则表达式可以稍作增强，但是不幸的是，可以证明，对于编码检测问题，不存在完全可靠的解决方案。

如果要将Windows代码页1252产生的范围0x80-0x9F标准化为常规Unicode代码点，则可以执行此操作（并删除$chr_map上面的第一部分）：

$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);