首页 / PHP / PHP内核探索之变量-不平凡的字符串_PHP教程

PHP内核探索之变量-不平凡的字符串_PHP教程

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了PHP内核探索之变量-不平凡的字符串_PHP教程，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4777字，纯文字阅读大概需要7分钟。

内容图文

PHP内核探索之变量- 不平凡的字符串

切，一个字符串有什么好研究的。 别这么说，看过《平凡的世界》么，平凡的字符串也可以有不平凡的故事。试看： （1） 在C语言中，strlen计算字符串的时间复杂度是？PHP中呢？ （2） 在PHP中，怎样处理多字节字符串？PHP对unicode的支持如何？ 同样是字符串，为什么c语言与C++/PHP/Java的均不相同？ 数据结构决定算法，这句话一点不假。 那么我们今天就来掰一掰，PHP中的字符串结构，以及相关字符串函数的实现。 一、 字符串基础 　　字符串可以说是PHP中遇到最多的数据结构之一了（另外一个比较常用的是数组，见PHP内核探索之变量（4）- 数组操作）。而由于PHP语言的特性和应用场景，使得我们日常的很多工作，实际上都是在处理字符串。也正是这个原因，PHP为开发者提供了丰富的字符串操作函数（初步统计约有100个，这个数量相当可观）。那么，在PHP中，字符串是怎样实现的呢？与C语言又有什么区别呢？ 　1.　　PHP中字符串的表现形式 　　在PHP中使用字符串有四种常见的形式： (1) 双引号 这种形式比较常见：$str=”this is \0 a string”; 而且以双引号包含的字符串中可以包含变量、控制字符等：$str = "this is $name, aha.\n"; (2) 单引号 　　单引号包含的字符都被认为是raw的，因此不会解析单引号中的变量，控制字符等： $string = "test"; $str = 'this is $string, aha\n'; echo $str; (3) Heredoc Heredoc比较适合较长的字符串表示，且对于多行的字符串表示更加灵活多样。与双引号表示形式类似，heredoc中也可以包含变量。常见的形式是： $string ="test string"; $str = << When [1] => I [2] => am [3] => down [4] => and [5] => oh [6] => my [7] => soul [8] => so [9] => weary [10] => When [11] => troubles ...... ) 这一特性有什么作用呢？比如英文分词。还记得“单词统计”的问题么？str_word_count可以轻松完成单词统计TopK的问题： $s = file_get_contents("./word"); $a = array_count_values(str_word_count($s, 1)) ; arsort( $a ); print_r( $a ); /* Array ( [I] => 10 [me] => 7 [raise] => 6 [up] => 6 [You] => 6 [am] => 6 [on] => 6 [can] => 4 [and] => 4 [be] => 3 [so] => 3 …… );*/ （3）$format = 2 $format=2时，返回的是一个关联数组： $a = str_word_count($s, 2); print_r($a); /* Array ( [0] => When [5] => I [7] => am [10] => down [15] => and [20] => oh [23] => my [26] => soul [32] => so [35] => weary [41] => When [46] => troubles [55] => come ... )*/ 配合其他数组函数，可以实现更加多样化的功能.例如，配合array_flip，可以计算某个单词最后一次出现的位置： $t = array_flip(str_word_count($s, 2)); print_r($t); 而如果配合了array_unique之后再array_flip，则可以计算某个单词第一次出现的位置： $t = array_flip( array_unique(str_word_count($s, 2)) ); print_r($t); Array ( [When] => 0 [I] => 5 [am] => 7 [down] => 10 [and] => 15 [oh] => 20 [my] => 23 [soul] => 26 [so] => 32 [weary] => 35 [troubles] => 46 [come] => 55 [heart] => 67 ... ) 3. similar_text 这是除了levenshtein()函数之外另一个计算两个字符串相似度的函数： int similar_text ( string $first , string $second [, float &$percent ] ) $t1 = "You raise me up, so I can stand on mountains"; $t2 = "You raise me up, to walk on stormy seas"; $percent = 0; echo similar_text($t1, $t2, $percent).PHP_EOL;//26 echo $percent;// 62.650602409639 撇开具体的使用不谈，我很好奇底层对于字符串的相似度是如何定义的。 Similar_text函数实现位于 ext/standard/string.c 中，摘取其关键代码： PHP_FUNCTION(similar_text){ char *t1, *t2; zval **percent = NULL; int ac = ZEND_NUM_ARGS(); int sim; int t1_len, t2_len; /* 参数解析 */ if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) { return; } /* set percent to double type */ if (ac > 2) { convert_to_double_ex(percent); } /* t1_len == 0 && t2_len == 0 */ if (t1_len + t2_len == 0) { if (ac > 2) { Z_DVAL_PP(percent) = 0; } RETURN_LONG(0); } /* 计算字符串相同个数 */ sim = php_similar_char(t1, t1_len, t2, t2_len); /* 相似百分比 */ if (ac > 2) { Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len); } RETURN_LONG(sim); } 可以看出，字符串相似个数是通过 php_similar_char 函数实现的，而相似百分比则是通过公式： percent = sim * 200 / (t1串长度 + t2串长度) 来定义的。 php_similar_char的具体实现： static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2) { int sum; int pos1 = 0, pos2 = 0, max; php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max); if ((sum = max)) { if (pos1 && pos2) { sum += php_similar_char(txt1, pos1,txt2, pos2); } if ((pos1 + max < len1) && (pos2 + max < len2)) { sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,txt2 + pos2 + max, len2 - pos2 - max); } } return sum; } 这个函数通过调用php_similar_str来完成字符串相似个数的统计，而php_similar_str返回字符串s1与字符串s2的最长相同字符串长度： static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max) { char *p, *q; char *end1 = (char *) txt1 + len1; char *end2 = (char *) txt2 + len2; int l; *max = 0; /* 查找最长串 */ for (p = (char *) txt1; p < end1; p++) { for (q = (char *) txt2; q < end2; q++) { for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++); if (l > *max) { *max = l; *pos1 = p - txt1; *pos2 = q - txt2; } } } } 　　php_similar_str匹配完成之后，原始的串被划分为三个部分： 第一部分是最长串的左边部分，这一部分含有相似串，但是却不是最长的； 第二部分是最长相似串部分； 第三部分是最长串的右边部分，与第一部分相似，这一部分含有相似串，但是也不是最长的。因而要递归对第一部分和第三部分求相似串的长度： /* 最长的串左边部分相似串 */ if (pos1 && pos2) { sum += php_similar_char(txt1, pos1,txt2, pos2); } /* 右半部分相似串 */ if ((pos1 + max < len1) && (pos2 + max < len2)) { sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max, txt2 + pos2 + max, len2 - pos2 - max); } 匹配的过程如下图所示： 对于字符串函数的更多解释，可以参考PHP的在线手册，这里不再一一列举。 三、多字节字符串 　　迄今为止，我们讨论的所有的字符串和相关操作函数都是单字节的。然而这个世界是如此的丰富多彩，就好比有红瓤的西瓜也有黄瓤的西瓜一样，字符串也不例外。如我们常用的中文汉字在GBK编码的情况下，实际上是使用两个字节来编码的。多字节字符串不仅仅局限于中文汉字，还包括日文，韩文等等多个国家的文字。正因为如此，对于多字节字符串的处理显得异常重要。 　　字符和字符集是编程过程中不可避免总是要遇到的术语。如果有童鞋对于这一块的内容并不是特别清晰，建议移步《编码大事1字符编码基础-字符和字符集，》 　　由于我们日常中使用较多的是中文，因而我们以中文字符串截取为例， 重点研究中文字符串的问题。 中文字符串的截取　中文字符串截取一直是个相对来说比较麻烦的问题，原因在于： （1） PHP原生的substr函数只支持单字节字符串的截取，对于多字节的字符串略显无力 （2） PHP的扩展mbstring需要服务器的支持，事实上，很多开发环境中并没有开启mbstring扩展，对于习惯使用mbstring扩展的童鞋非常遗憾。 （3） 一个更为复杂的问题是，在UTF-8编码的情况下，虽然中文是3个字节的，但是中文的某些特殊字符（如脱字符·）实际上是双字节编码的。这无疑加大了中文字符串截取的难度（毕竟，中文字符串中不可能完全不包含特殊字符）。 头疼之余，还是要自己撸一个中文的字符串截取的库，这个字符串截取函数应该与substr有相似的函数参数列表，而且要支持中文GBK编码和UTF-8编码情况下的截取，为了效率起见，如果服务器已经开启了mbstring扩展，那么就应该直接使用mbstring的字符串截取。 API： String cnSubstr(string $str, int $start, int $len, [$encode=’GBK’]);//注意参数中$start, $len都是字符数而不是字节数。 我们以UTF-8编码为例，来说明UTF8编码下中文的截取思路。 (1) 编码范围： UTF-8的编码范围(utf-8使用1-6个字节编码字符，实际上只使用了1-4字节)： 1个字节：00——7F 2个字节：C080——DFBF 3个字符：E08080——EFBFBF 4个字符：F0808080——F7BFBFBF 据此， 可以根据第一个字节的范围确定该字符所占的字节数： $ord = ord($str{$i}); $ord < 192 单字节和控制字符 192 <= $ord < 224 双字节 224<= $ord < 240 三字节 中文并没有四个字节的字符 （2）$start为负的情况 if( $start < 0 ){ $start += cnStrlen_utf8( $str ); if( $start < 0 ){ $start = 0; } } 网上大多数字符串截取版本都没有处理$start< 0的情况，按照PHP substr的API设计，在$start <0 时，应该加上字符串的长度（多字节指字符数）。 其中cnStrlen_utf8用于获取字符串在utf8编码下的字符数： function cnStrlen_utf8( $str ){ $len = 0; $i = 0; $slen = strlen( $str ); while( $i < $slen ){ $ord = ord( $str{$i} ); if( $ord < 127){ $i ++; }else if( $ord < 224 ){ $i += 2; }else{ $i += 3; } $len ++; } return $len; } 因此UTF-8的截取算法为： function cnSubstr_utf8( $str, $start, $len ){ if( $start < 0 ){ $start += cnStrlen_utf8( $str ); if( $start < 0 ){ $start = 0; } } $slen = strlen( $str ); if( $len < 0 ){ $len += $slen - $start; if($len < 0){ $len = 0; } } $i = 0; $count = 0; /* 获取开始位置 */ while( $i < $slen && $count < $start){ $ord = ord( $str{$i} ); if( $ord < 127){ $i ++; }else if( $ord < 224 ){ $i += 2; }else{ $i += 3; } $count ++; } $count = 0; $substr = ''; /* 截取$len个字符 */ while( $i < $slen && $count < $len){ $ord = ord( $str{$i} ); if( $ord < 127){ $substr .= $str{$i}; $i ++; }else if( $ord < 224 ){ $substr .= $str{$i} . $str{$i+1}; $i += 2; }else{ $substr .= $str{$i} . $str{$i+1} . $str{$i+2}; $i += 3; } $count ++; } return $substr; } 而最终的cnSubstr()可以设计如下（程序还有很多优化的余地）： function cnSubstr( $str, $start, $len, $encode = 'gbk' ){ if( extension_loaded("mbstring") ){ //echo "use mbstring"; //return mb_substr( $str, $start, $len, $encode ); } $enc = strtolower( $encode ); switch($enc){ case 'gbk': case 'gb2312': return cnSubstr_gbk($str, $start, $len); break; case 'utf-8': case 'utf8': return cnSubstr_utf8($str, $start, $len); break; default: //do some warning or trigger error; } } 简单的测试一下： $str = "这是中文的字符串string,还有abs· "; for($i = 0; $i < 10; $i++){ echo cnSubstr( $str, $i, 3, 'utf8').PHP_EOL; } 最后贴一下ThinkPHP extend中提供的msubstr函数（这是用正则表达式做的substr）： function msubstr($str, $start=0, $length, $charset="utf-8", $suffix=true) { if(function_exists("mb_substr")) $slice = mb_substr($str, $start, $length, $charset); elseif(function_exists('iconv_substr')) { $slice = iconv_substr($str,$start,$length,$charset); if(false === $slice) { $slice = ''; } }else{ $re['utf-8'] = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|[\xf0-\xff][\x80-\xbf]{3}/"; $re['gb2312'] = "/[\x01-\x7f]|[\xb0-\xf7][\xa0-\xfe]/"; $re['gbk'] = "/[\x01-\x7f]|[\x81-\xfe][\x40-\xfe]/"; $re['big5'] = "/[\x01-\x7f]|[\x81-\xfe]([\x40-\x7e]|\xa1-\xfe])/"; preg_match_all($re[$charset], $str, $match); $slice = join("",array_slice($match[0], $start, $length)); } return $suffix ? $slice.'...' : $slice; } 由于文章篇幅问题，更多的问题，这里不再细说。还是那句话，有任何问题，欢迎指出。

www.bkjia.comtruehttp://www.bkjia.com/PHPjc/976800.htmlTechArticlePHP内核探索之变量- 不平凡的字符串 切，一个字符串有什么好研究的。 别这么说，看过《平凡的世界》么，平凡的字符串也可以有不平凡的...

内容总结

以上是互联网集市为您收集整理的PHP内核探索之变量-不平凡的字符串_PHP教程全部内容，希望文章能够帮你解决PHP内核探索之变量-不平凡的字符串_PHP教程所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/186472.html

来源：【匿名】