RegEx：文字以外のUTF-8をすばやく削除する

Question

PHPで有効な文字以外の文字を削除しようとしています。私はこれを使用しています：

$content=preg_replace('/[^\pL\p{Zs}]/u', '', $content); 

しかし、それは痛いほど遅いです。およそ30倍より長くとります。

$content=preg_replace('/[^a-z\s]/', '', $content); 

私は、大量のデータを扱っていますので、本当に遅いメソッドを使用するのは不可能です。

これを行う方法はありますか？

Answer 1

特定のコードポイントがレターであるかどうかをチェックするときには、ちょうどa-zよりも約1000倍多くの文字を考慮する必要があることがわかりました。あなたが正規表現ビットを向上させることができ、言っ

：

$content=preg_replace('/[^\pL\p{Zs}]+/u', '', $content); 

は、1つの置換操作に隣接する非文字/スペースセパレータを組み合わせることで、それをスピードアップする必要があります。

Answer 2

--enable-jitオプションを使用して、新しいPCRE 8.20バージョンを使用できます。それは正規表現をコンパイルし、あなたのパフォーマンスを向上させるかもしれないJITです。