小编典典

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：

(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);

2020-05-29