空白を削除する

普通に今まで、'/([\s]|[\xe3\x80\x80])/'とか、こんな感じでいいと思ってたら、そうでもなかった件が出てきたのでメモ書き

<?php

function remove_white ($str){
  return preg_replace('/(?:[\s]|[\xe3\x80\x80])+/', '', $str);
}

半角スペース「 」とタブ「 」とU+3000 の全角スペース「　」だけでいいと思ってたけど、wikipediaの http://ja.wikipedia.org/wiki/スペース を見たらそれだけではない様子。

U-Point	UTF-8 (in literal)	Name
U+0009	\x09	CHARACTER TABULATION
U+0020	\x20	SPACE
U+00A0	\xc2\xa0	NO-BREAK SPACE
U+2002	\xe2\x80\x82	EN SPACE
U+2003	\xe2\x80\x83	EM SPACE
U+2004	\xe2\x80\x84	THREE-PER-EM SPACE
U+2005	\xe2\x80\x85	FOUR-PER-EM SPACE
U+2006	\xe2\x80\x86	SIX-PER-EM SPACE
U+2007	\xe2\x80\x87	FIGURE SPACE
U+2008	\xe2\x80\x88	PUNCTUATION SPACE
U+2009	\xe2\x80\x89	THIN SPACE
U+200a	\xe2\x80\x8a	HAIR SPACE
U+200b	\xe2\x80\x8b	ZERO WIDTH SPACE
U+3000	\xe3\x80\x80	IDEOGRAPHIC SPACE
U+FEFF	\xef\xbb\xbf	ZERO WIDTH NO-BREAK SPACE

割と種類あるので無理やり対応するとこんな感じ。

<?php

function remove_white ($str){
  return preg_replace(
    '/(?:'
    .'(?:\x09)'
    .'|(?:\x20)'
    .'|(?:\xc2\xa0)'
    .'|(?:\xe2\x80\x82)'
    .'|(?:\xe2\x80\x83)'
    .'|(?:\xe2\x80\x84)'
    .'|(?:\xe2\x80\x85)'
    .'|(?:\xe2\x80\x86)'
    .'|(?:\xe2\x80\x87)'
    .'|(?:\xe2\x80\x88)'
    .'|(?:\xe2\x80\x89)'
    .'|(?:\xe2\x80\x8a)'
    .'|(?:\xe2\x80\x8b)'
    .'|(?:\xe3\x80\x80)'
    .'|(?:\xef\xbb\xbf)'
    .')+/',
    '',
    $str);
}