projects.mako.cc - scuttle/blob - includes/utf8/exp/regexunicode.php

   1 <?php
   2 /**
   3 * This was an experiment to see how a PCRE based UTF-8 to unicode
   4 * code point converter would perform, vs. a character by character
   5 * converted (as in '../utf8_unicode.php'). Basically this is very
   6 * by comparion but perhaps interesting code anyway
   7 */
   8 $UTF8_MATCH =
   9     '([\x09\x0A\x0D\x20-\x7E])'.              # ASCII (excluding control chars)
  10     '|([\xC2-\xDF][\x80-\xBF]'.              # non-overlong 2-byte
  11     '|\xE0[\xA0-\xBF][\x80-\xBF])'.          # excluding overlongs
  12     '|([\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}'.   # straight 3-byte
  13     '|\xED[\x80-\x9F][\x80-\xBF]'.          # excluding surrogates
  14     '|\xF0[\x90-\xBF][\x80-\xBF]{2}'.       # planes 1-3
  15     '|[\xF1-\xF3][\x80-\xBF]{3}'.           # planes 4-15
  16     '|\xF4[\x80-\x8F][\x80-\xBF]{2})';       # plane 16
  17     '|(.{1})';                                # catch bad bytes
  18
  19 function toCodePoint($matches) {
  20     global $points;
  21     if ( $matches[1] != '' ) {
  22         $points[]= ord($matches[1]);
  23     } else if ( $matches[2] != '' ) {
  24         $points[]= ( ( ord($matches[2][0]) % 32 ) * 64 ) + ( ord($matches[2][1]) % 64 );
  25     } else if ( $matches[3] != '' ) {
  26         $points[]= ( ( ord($matches[3][0]) % 16 ) * 4096 ) + ( ( ord($matches[3][1]) % 64 ) * 64 ) + ( ord($matches[3][2]) % 64 );
  27     } else if ( $matches[4] != '' ) {
  28         trigger_error('Invalid byte in UTF-8',E_USER_WARNING);
  29         return '';
  30     }
  31     return $matches[0];
  32 }
  33
  34 $str = file_get_contents('../tests/data/utf8.html');
  35 $points = array();
  36 preg_replace_callback('/'.$UTF8_MATCH.'/S','toCodePoint',$str);
  37 print_r($points);