regexpを使ったpreg_matchが最後の文字を失っています

Question

私は整形したいファイル（.txt）を持っています。行は次のようになり=>

Name on Company 
Street 7 CITY phone: 1234 - 56 78 91 Webpage: www.webpage.se 
http://www.webpage.se 

Name on Restaurant 
Street 11 CITY CITY phone: 7023 - 51 83 83 Webpage: 
http:// 

私は（大文字である）街にマッチしたい時に私がいる問題は、私の正規表現です。あなたはそれがスウェーデンの都市の私は、このようにZÅÄÖで働いているのである見ることができるようにこれまでのところ、私はこの=>

preg_match('/\b[A-ZÅÄÖ]{2,}[ \t][A-ZÅÄÖ]+|[A-ZÅÄÖ]{2,}\b/', $info, $city); 

woth出てきますよ。しかし、都市名の最後の文字が「ÅÄÖ」の場合、この正規表現は使用できません。

誰もが問題を見ていますか？事前に

おかげ

Answer 1

\bは、\wにある文字とそうでない文字の境界に一致すると定義されています。

スウェーデン固有の文字は\w（通常は[a-zA-Z0-9_]と同じです）にはありません。

代わりに、\bを適切な見回りアサーション（example）に置き換えることができます。

Answer 2

FWIW、これは例から、あなたの正規表現を開発し、テストするためにhttp://txt2re.comを使用する完璧場所であるように見えるためにだろう。

言われているように、末尾にスキップする原因となる正規表現には何も問題はないようです。ÅÄÖ文字。それらは他のアルファベット文字とまったく同じように扱われています。

私はUnicodeの問題を疑う。おそらく、入力データの末尾にÄがあり、Aとそれに続く別のdiaresis combining characterとして格納されています。これの解決策は正規表現を適用する前にnormalize the unicode stringです。

また、アンバーが指摘するように、問題は単語境界の定義である可能性があります。 docsと言うと、A "word" character is any letter or digit or the underscore character, that is, any character which can be part of a Perl "word". The definition of letters and digits is controlled by PCRE's character tables, and may vary if locale-specific matching is taking place. For example, in the "fr" (French) locale, some character codes greater than 128 are used for accented letters, and these are matched by \w.ですから、あなたのロケール設定を変更すると救済できます。

また、入力がUTF-8の場合は、upattern modifierを設定してみてください。