理解Unicode不间断空格（NBSP）
unicode不间断空格（non-breaking space, nbsp），其unicode码点为u+00a0，通常在html中以 实体形式存在。当通过dom解析器或xpath从html内容中提取文本时， 会被转换为实际的u00a0字符。与普通空格（u+0020）不同，nbsp的特点是它不会在行尾断开，并且在视觉上与普通空格难以区分，这给数据清洗带来了挑战。
传统过滤方法失效的原因分析
在尝试移除u00a0时，开发者常会遇到比较失效的问题。以下是一些常见但可能无效的尝试及其原因：
-
$item != "u00a0" 或 $item != "\u00a0"：
- 在PHP的字符串字面量中，"u00a0"（双引号字符串）在PHP 7.0之前并不会被解析为实际的Unicode字符U+00A0，而是被当作字面量字符串u00a0。因此，它无法与实际的Unicode不间断空格进行匹配。
- "\u00a0"更是将反斜杠也转义了，形成一个包含字面量u00a0的字符串，显然无法匹配。
-
$item != "" 或 $item != " "：
- u00a0是一个实际的字符，并非空字符串。
- 它也不是普通的ASCII空格（U+0020），因此与普通空格的比较也会失败。
-
$item != chr(160)：
立即学习“PHP免费学习笔记（深入）”；
- chr(160)会生成一个ASCII码为160的字符。在ISO-8859-1编码中，160确实是不间断空格。然而，在现代PHP应用中，我们通常使用UTF-8编码。在UTF-8中，U+00A0由两个字节表示：0xC2 0xA0。因此，chr(160)生成的单字节字符与UTF-8编码的u00a0不匹配。
这些方法之所以失效，根本原因在于对Unicode字符编码和PHP字符串字面量解析方式的误解，以及字符编码不一致性。
精准过滤方案：使用u{00a0}
从PHP 7.0版本开始，PHP引入了Unicode码点转义序列u{xxxxxx}。这是处理Unicode字符最推荐和最准确的方式，它允许我们直接指定一个Unicode码点。
要精确匹配并过滤u00a0，我们应该使用u{00a0}。
<?php
// 假设我们有一个包含u00a0字符的字符串数组
// 注意：chr(0xC2).chr(0xA0) 是 u00a0 在 UTF-8 中的字节表示
$words = [chr(0xC2) . chr(0xA0), 'foo', chr(0xC2) . chr(0xA0), 'bar', "
", " "];
$output = [];
foreach ($words as $word) {
// 使用 u{00a0} 进行精准匹配
if ($word !== "u{00a0}") {
$output[] = $word;
}
}
var_dump($output);
/*
预期输出：
array(4) {
[0]=>
string(3) "foo"
[1]=>
string(3) "bar"
[2]=>
string(1) "
"
[3]=>
string(1) " "
}
*/在这个示例中，if ($word !== "u{00a0}") 能够准确地识别并排除所有U+00A0字符，而不会误伤其他类型的空白字符（如换行符 或普通空格` `）。
实战示例：从HTML解析结果中过滤
假设我们有一个从XPath查询中获取内容的函数，可以这样整合上述解决方案：
<?php
/**
* 模拟从XPath获取内容的函数
* 实际应用中 $xPath 参数会是一个 DOMXPath 实例
*
* @param DOMXPath $xPath 模拟参数，实际可能不需要
* @return array
*/
function getContent($xPath = null) {
// 模拟从HTML解析出的数据，包含 u00a0
$elementsData = [
["u{00a0}", "这是一个段落。", "u{00a0}"],
["u{00a0}", "另一个文本块。", "u{00a0}", " "],
["纯文本", "没有特殊字符。"]
];
$content = [];
foreach ($elementsData as $elementNodes) {
foreach ($elementNodes as $nodeValue) {
// 使用 u{00a0} 进行精准过滤
if ($nodeValue !== "u{00a0}") {
$content[] = $nodeValue;
}
}
}
return $content;
}
$filteredContent = getContent();
var_dump($filteredContent);
/*
预期输出：
array(6) {
[0]=>
string(15) "这是一个段落。"
[1]=>
string(16) "另一个文本块。"
[2]=>
string(1) " "
[3]=>
string(9) "纯文本"
[4]=>
string(18) "没有特殊字符。"
}
*/注意事项
- PHP版本要求： u{} Unicode码点转义序列仅在PHP 7.0及更高版本中可用。如果您的项目运行在旧版PHP上，可能需要采用其他方法，例如先将字符串转换为UTF-8，然后进行字节序列比较（if ($word !== " ")），但这增加了复杂性和潜在的编码问题。
- 字符编码一致性： 确保您的PHP环境、文件编码和处理的字符串编码都统一为UTF-8。不一致的编码是导致字符串比较失败的常见原因。
-
处理多种空白字符： 如果除了u00a0之外，还需要移除其他类型的空白字符（如普通空格、制表符、换行符等），可以考虑使用更通用的方法：
- trim() 函数： 只能移除字符串两端的空白字符，并且默认只移除普通空格、制表符、换行符等，不包括u00a0。如果需要移除u00a0，可以结合str_replace或preg_replace。
- 正则表达式： 使用preg_replace()配合Unicode属性匹配可以更强大地处理各类空白字符。例如，preg_replace('/s+/u', '', $string) 可以移除所有Unicode空白字符，包括u00a0。如果您只想替换u00a0而不影响其他空白字符，可以使用 preg_replace('/x{00a0}/u', '', $string)。
总结
在PHP中，精确移除Unicode不间断空格（u00a0）的关键在于使用正确的Unicode转义序列u{00a0}进行比较。这种方法自PHP 7.0起提供，是处理这类特殊字符最可靠和推荐的方式。理解其与传统字符串字面量和字节序列的区别，并确保字符编码的一致性，将有效解决数据清洗中的常见难题，提升PHP应用处理文本数据的准确性和健壮性。
