Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
規則運算式 (RegEx) 比對中文字與日文假名
今天在幫同事處理一個公司網站的規則運算式 (regular expression) 問題：我用 ACF 客製化的區塊沒辦法正確產生項目符號。
正常的情況應該是這樣：
但是我同事在寫文章的時候變成這樣：
後來上 Regex 101 實驗之後，才發現是自己的規則運算式有問題。原本用來比對的規則運算式如下：
if ( preg_match( '/(\w+)<br\s*\/*>/', $content ) ) {
// 將換行標籤 <br /> 與 <br> 取代為 </li><li>，作為項目符號。
$content = '<ul><li>' . preg_replace( '/(\w+)<br\s*\/*>/', '$1</li><li>', $content ) . '</li></ul>';
} else {
// 如果是沒有斷行，則當作段落元素來處理。
$content = '<p>' . $content . '</p>';
}用規則運算式比對多位元組字元 (multibyte character)
原本的規則運算式中，使用了 \w 用來比對字串，但 \w 能比對的，只有半形英數，無法用來比對像是中文漢字或日文假名的多位元組字元 (multibyte characters)。如果要改為能夠比對多位元組字元的話，那需要用 \p{L} 這個特殊的字元類別來表示。
此外，如果回頭參考同事使用的字串內容，會發現他的字串中還有其他比對模式需要處理，例如「全形字與半形字中間應有一個半形空格」、「標點符號 %」等，因此需要將規則運算式改寫為下列形式：
if ( preg_match( '/([\w\p{L}\s%！]+)<br\s*\/*>/', $content ) ) {
// 將換行標籤 <br /> 與 <br> 取代為 </li><li>，作為項目符號。
$content = '<ul><li>' . preg_replace( '/([\w\p{L}\s%！]+)<br\s*\/*>/', '$1</li><li>', $content ) . '</li></ul>';
} else {
// 如果是沒有斷行，則當作段落元素來處理。
$content = '<p>' . $content . '</p>';
}規則運算式的字元類別
關於規則運算式的一般做法，Harris 先生與 Google Analytics 的說明文章都有基本的介紹。這邊要再補充說明字元類別：
| 名稱 | 說明 |
|---|---|
| \s | 泛空白字元 (除了半形空格外，也包含 tab、換行等) |
| \d | 任何 10 進位數字，相當於 [0-9] |
| \S | 非泛空白字元 |
| \D | 非 10 進位數字字元 |
| [字元組合] | 比對存在於 [] 間的字元組合，如 [A-Za-z0-9] 相當於 \w |
| [^字元組合] | 比對非存在於 [] 間的字元組合 |
| \w | 比對任何單位元文字字元 |
| \W | 比對任何非文字字元 |
其他字元類別的介紹，可以參考 Microsoft 的開發文件。
結語
這次的問題主要是一開始設計不良導致，在測試的過程中，我只用了隨機的英文字串 (如截圖的 abc、def 等)，並沒有考慮到實際上寫文章的情形。
