我目前正在使用以下代码匹配 HTML：
preg_match('/<\/?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;/u', $html, $match, PREG_OFFSET_CAPTURE, $position)
它与一切完美匹配，但是如果我有一个多字节字符，则在返回位置时将其计为 2 个字符。
例如，返回的$match数组将给出如下内容：
array
0 =>
array
0 => string '<br />' (length=6)
1 => int 132
1 =>
array
0 => string 'br' (length=2)
1 => int 133
匹配的实数<br />是 128，但是有 4 个多字节字符，所以它给出 132。我真的认为添加 /u 修饰符可以让它知道发生了什么，但没有运气。
我从@Qtax 看到了这个建议：
preg_match_all (PHP) 中的 UTF-8 字符
为了获得更多参考，这个错误在使用这个时浮出水面： Truncate text contains HTML, ignoring tags
改变的要点是这样的：
$orig_utf = 'UTF-8';
$new_utf = 'UTF-32';
mb_regex_encoding( $new_utf );
$html = mb_convert_encoding( $html, $new_utf, $orig_utf );
$end_char = mb_convert_encoding( $end_char, $new_utf, $orig_utf );
mb_ereg_search_init( $html );
$pattern = '</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;';
$pattern = mb_convert_encoding( $pattern, $new_utf, $orig_utf );
while ( $printed < $limit && $tag_match = mb_ereg_search_pos( $pattern, $html ) ) {
$tag_position = $tag_match[0]/4;
$tag_length = $tag_match[1];
$tag = mb_substr( $html, $tag_position, $tag_length/4, $new_utf );
$tag_name = preg_replace( '/[\s<>\/]+/', '', $tag );
// Print text leading up to the tag.
$str = mb_substr($html, $position, $tag_position - $position, $new_utf );
.......
}
此外，关于截断 HTML 页面，还有其他必要的更改：
$first_char = mb_substr( $tag, 0, 1, $new_utf );
if ( $first_char == mb_convert_encoding( '&', $new_utf ) ) {
...
}
我的文本编辑器是 UTF-8，所以如果我将 32 与文件的 & 符号进行比较，它将无法工作。
如果您需要快速修复并且不关心速度：
$mb_pos = mb_strlen( substr($string, 0, $pos) );