Propriedades de caracteres Unicode

Desde a versão 5.1.0, três sequências de escape adicionais para corresponder a tipo de caracteres genéricos estão disponíveis quando o modo UTF-8 é selecionado. Elas são:

\p{xx}

um caractere com a propriedade xx

\P{xx}

um caractere sem a propriedade xx

\X

uma sequência Unicode estendida

Os nomes de propriedade representados por xx acima são limitados às propriedades de categoria geral do Unicode. Cada caractere tem exatamente uma propriedade deste tipo, especificada por uma abreviação de duas letras. Para compatibilidade com o Perl, uma negação pode ser especificada incluindo um circunflexo "^" entre a chave de abertura e o nome da propriedade. Por exemplo, \p{^Lu} é o mesmo que \P{Lu}.

Se somente uma letra for especificada com \p ou \P, serão incluídas todas as propriedades que iniciam com essa letra. Neste caso, na ausência de negação, as chaves na sequência de escape são opcionais; estes dois exemplos têm o mesmo efeito:

\p{L}
\pL

Propriedades estendidas tais como InMusicalSymbols (símbolos musicais) não são suportadas pelo PCRE.

Especificar correspondência insensível a maiúsculas/minúsculas não afeta estas sequências de escape. Por exemplo, \p{Lu} sempre irá corresponder somente a letras maiúsculas.

Conjuntos de caracteres Unicode são definidos como pertencentes a certos tipos de escrita (ou tipo de alfabeto). Um caractere de um destes conjuntos pode ser correspondido usando um nome de tipo de escrita. Por exemplo:

• \p{Greek}
• \P{Han}

Aqueles que não são parte de um tipo de escrita identificado são agrupados como Common (comuns). A lista atual de tipos de escrita é:

O escape \X corresponde a um agrupamento de grafema estendido Unicode. Um agrupamento de grafema estendido consiste em um ou mais caracteres Unicode que se combinam para formar um único glifo. Na verade, isso pode ser considerado como o equivalente Unicode de ., já que irá corresponder a um caractere composto, independente de quantos caracteres individuais são realmente usados para gerá-lo.

Em versões do PCRE mais antigas que 8.32 (que corresponde às versões do PHP antes da 5.4.14 que usavam a biblioteca PCRE interna), \X é equivalente a (?>\PM\pM*). Isto é, corresponde a um caractere sem a propriedade de "marca", seguida por zero ou mais caracteres com a propriedadede "marca", e trata a sequência como um grupo atômico (veja abaixo). Caracteres com a propriedade de "marca" são tipicamente acentuações que afetam o caractere precedente.

A correspondência de caracteres por propriedade Unicode não é rápida porque o PCRE precisa pesquisar uma estrutura que contenha dados para mais que quinze mil caracteres. É por isso que as sequências de escape tradicionais como \d e \w não usam as propriedades Unicode no PCRE.