diff --git a/application/common/ArticleParserService.php b/application/common/ArticleParserService.php index 05881dee..ff715a30 100644 --- a/application/common/ArticleParserService.php +++ b/application/common/ArticleParserService.php @@ -553,7 +553,7 @@ class ArticleParserService if (!empty($institution) && !mb_check_encoding($institution, 'UTF-8')) { $institution = mb_convert_encoding($institution, 'UTF-8', 'GBK'); } - $aCompany[$number] = $institution; + $aCompany[$number] = empty($institution) ? '' : trim(trim($institution),'.'); } return $aCompany; } @@ -581,6 +581,7 @@ class ArticleParserService $corrText = mb_convert_encoding($corrText, 'UTF-8', 'GBK'); } $corrText = $this->fullDecode($corrText); + // // 调试 // file_put_contents(ROOT_PATH . 'runtime/corr_text_raw.log', $corrText); @@ -605,24 +606,25 @@ class ArticleParserService $aCorresponding[] = [ 'name' => $sName, 'email' => isset($email[2]) ? trim($email[2]) : '', - 'postal_address' => isset($address[2]) ? trim($address[2]) : '', + 'postal_address' => isset($address[2]) ? trim(trim($address[2]),'.') : '', 'tel' => isset($tel[2]) ? trim($tel[2]) : '' ]; } if(empty($aCorresponding)){ - $pattern = '/Corresponding Authors|Correspondence to|Correspondence: (.*?)(?=$|;)/s'; + // $pattern = '/Corresponding Authors|Correspondence to|Correspondence: (.*?)(?=$|;)/s'; + $pattern = '/(Corresponding Authors|Correspondence to|Correspondence)\s*:\s*([\s\S]+?)(?=\n\s*\n|$|;)/is'; $corrText = trim($corrText,'*'); preg_match($pattern, $corrText, $match); - if (!empty($match[1])) { - $corrContent = $match[1]; + if (!empty($match[2])) { + $corrContent = $match[2]; // 提取每个作者的名称和邮箱（优化正则，支持更多字符） $authorPattern = '/([A-Za-z\s]+?),\s*E-mail:\s*([\w@\.\-]+)/'; preg_match_all($authorPattern, $corrContent, $authors); if(!empty($authors[1])){ for ($i = 0; $i < count($authors[1]); $i++) { $aCorresponding[] = [ - 'name' => empty($authors[1][$i]) ? '' : trim($authors[1][$i]), - 'email' => empty($authors[2][$i]) ? '' : trim($authors[2][$i]) + 'name' => empty($authors[1][$i]) ? '' : trim(trim($authors[1][$i]),'.'), + 'email' => empty($authors[2][$i]) ? '' : trim(trim($authors[2][$i]),'.') ]; } } @@ -631,8 +633,8 @@ class ArticleParserService preg_match_all($authorPattern, $corrContent, $authors); for ($i = 0; $i < count($authors[1]); $i++) { $aCorresponding[] = [ - 'name' => empty($authors[1][$i]) ? '' : trim($authors[1][$i]), - 'email' => empty($authors[2][$i]) ? '' : trim($authors[2][$i]) + 'name' => empty($authors[1][$i]) ? '' : trim(trim($authors[1][$i]),'.'), + 'email' => empty($authors[2][$i]) ? '' : trim(trim($authors[2][$i]),'.') ]; } } @@ -734,88 +736,293 @@ class ArticleParserService } // 统一提取元素文本 - private function getTextFromElement($element,$lineNumber = 0){ + private function getTextFromElement(\PhpOffice\PhpWord\Element\AbstractElement $element, int $lineNumber = 0){ $text = ''; - if ($element instanceof \PhpOffice\PhpWord\Element\ListItemRun) { - $this->iNum++; - $text .= $this->iNum; + + // 1. 常量化特殊引号映射（避免每次调用重建数组，提升循环调用性能） + static $specialQuotesMap = [ + '’' => "'", // 右单引号（U+2019）→ 普通单引号（U+0027） + '‘' => "'", // 左单引号（U+2018）→ 普通单引号（U+0027） + '“' => '"', // 左双引号（U+201C）→ 普通双引号（U+0022） + '”' => '"', // 右双引号（U+201D）→ 普通双引号（U+0022） + '„' => '"', // 下双引号（U+201E）→ 普通双引号（兼容欧洲排版） + '‟' => '"', // 右双引号（U+201F）→ 普通双引号（兼容少见排版） + ]; + + // 支持H1-H9标题格式（优化：移除无用变量 $titleDepth，避免冗余） + if ($element instanceof \PhpOffice\PhpWord\Element\Title) { + $titleContent = $element->getText(); + $titleText = ''; + + if ($titleContent instanceof \PhpOffice\PhpWord\Element\TextRun) { + $titleText = $this->getTextFromElement($titleContent); + } else { + $titleText = strtr((string)$titleContent, $specialQuotesMap); + } + + $text .= $titleText . ' '; + return $this->cleanText($text); } - // 处理PreserveText元素 + + // 项目编号（优化：严格空值判断，避免 0 被 empty 误判） + if ($element instanceof \PhpOffice\PhpWord\Element\ListItemRun) { + $this->iNum = isset($this->iNum) && is_numeric($this->iNum) ? $this->iNum : 0; + $this->iNum++; + $text .= $this->iNum . ' '; + } + + // 处理PreserveText（含HYPERLINK邮箱提取，优化：反射前先判断属性存在） if ($element instanceof \PhpOffice\PhpWord\Element\PreserveText) { - // 通过反射获取私有属性 text - $reflection = new \ReflectionClass($element); - $property = $reflection->getProperty('text'); - $property->setAccessible(true); - $textParts = $property->getValue($element); + try { + $reflection = new \ReflectionClass($element); + // 先判断属性是否存在，避免反射不存在的属性报错（兼容极端版本） + if (!$reflection->hasProperty('text')) { + return $this->cleanText($text); + } + $property = $reflection->getProperty('text'); + $property->setAccessible(true); + $textParts = $property->getValue($element) ?? []; + } catch (\ReflectionException $e) { + return $this->cleanText($text); + } + foreach ($textParts as $part) { + $part = (string)$part; if (strpos($part, 'HYPERLINK') !== false) { - // 解码 HTML 实体（" -> "） - $decoded = html_entity_decode($part); - // 提取 mailto: 后的邮箱 - if (preg_match('/mailto:([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,})/i', $decoded, $match)) { + $decoded = html_entity_decode($part, ENT_QUOTES | ENT_HTML5); + // 邮箱正则不变（已优化，兼容国际域名） + if (preg_match('/mailto:([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,10})/i', $decoded, $match)) { $text .= $match[1] . ' '; } } else { - // 普通文本直接拼接 + $part = strtr($part, $specialQuotesMap); $text .= $part; } } - return $text; + return $this->cleanText($text); } - // 处理表格和单元格（E-mail可能在表格中） + + // 处理表格（优化：避免行尾多余空格，通过 cleanText 自动合并） if ($element instanceof \PhpOffice\PhpWord\Element\Table) { foreach ($element->getRows() as $row) { foreach ($row->getCells() as $cell) { - $text .= $this->getTextFromElement($cell); + $text .= $this->getTextFromElement($cell) . ' '; } + // 移除行尾额外空格（cleanText 会合并连续空格，无需手动添加） } - return $text; + return $this->cleanText($text); } + + // 处理单元格（逻辑不变，保持递归提取） if ($element instanceof \PhpOffice\PhpWord\Element\Cell) { foreach ($element->getElements() as $child) { $text .= $this->getTextFromElement($child); } - return $text; + return $this->cleanText($text); } - //处理嵌套元素（递归提取所有子元素） - if (method_exists($element, 'getElements')) { + // 处理嵌套元素（逻辑不变，增强类型校验可读性） + if (method_exists($element, 'getElements') && is_callable([$element, 'getElements'])) { foreach ($element->getElements() as $child) { - $text .= $this->getTextFromElement($child); + if ($child instanceof \PhpOffice\PhpWord\Element\AbstractElement) { + $text .= $this->getTextFromElement($child); + } } } - //处理文本元素（包括带格式的文本） + // 处理纯文本元素（逻辑不变，保持特殊引号替换） if ($element instanceof \PhpOffice\PhpWord\Element\Text) { - $text .= $element->getText(); + $textPart = (string)$element->getText(); // 显式强制转换，避免类型隐患 + $textPart = strtr($textPart, $specialQuotesMap); + $text .= $textPart; } - //处理超链接（优先提取链接目标，可能是邮箱） + // 处理超链接（逻辑不变，保持邮箱优先提取） if ($element instanceof \PhpOffice\PhpWord\Element\Link) { - $target = $element->getTarget(); + $target = (string)$element->getTarget(); if (strpos($target, 'mailto:') === 0) { - $text .= str_replace('mailto:', '', $target) . ' '; // 剥离mailto:前缀 + $text .= rtrim(str_replace('mailto:', '', $target)) . ' '; } - $text .= $element->getText() . ' '; + $linkText = strtr((string)$element->getText(), $specialQuotesMap); + $text .= $linkText . ' '; } - //处理字段和注释（可能包含隐藏邮箱） + // 处理字段和注释（优化：显式强制转换，避免非字符串拼接） if ($element instanceof \PhpOffice\PhpWord\Element\Field) { - $text .= $element->getContent() . ' '; + $text .= (string)$element->getContent() . ' '; } if ($element instanceof \PhpOffice\PhpWord\Element\Note) { - $text .= $element->getContent() . ' '; + $text .= (string)$element->getContent() . ' '; } - //清理所有不可见字符（关键：移除格式干扰） - $text = preg_replace('/[\x00-\x1F\x7F-\x9F]/', ' ', $text); // 移除控制字符 - $text = str_replace(["\t", "\r", "\n"], ' ', $text); // 统一空白字符 - $text = preg_replace('/\s+/', ' ', $text); // 合并多个空格 - if(!empty($text) && !mb_check_encoding($text, 'UTF-8')){ - $text = mb_convert_encoding($text, 'UTF-8', 'GBK'); - } - return $text; + + return $this->cleanText($text); } + /** + * 统一文本清理方法（稳健、高效、不破坏普通单引号） + * @param string $text 待清理文本 + * @return string 清理后的纯文本 + */ + private function cleanText(string $text){ + + //编码正确 + if (!mb_check_encoding($text, 'UTF-8')) { + $text = mb_convert_encoding( + $text, + 'UTF-8', + 'GBK,GB2312,GB18030,Big5,ISO-8859-1,CP1252,UTF-16,UTF-32' // 补充常见西文编码，兼容更多场景 + ); + } + //移除不可见控制字符 + $text = preg_replace('/[\x00-\x1F\x7F-\x9F]/u', ' ', $text); + + //统一空白字符 + $text = str_replace([ + "\t", "\r", "\n", + chr(0xC2) . chr(0xA0), // 不间断空格（ ） + '　', // 全角空格（U+3000） + chr(0xE2) . chr(0x80) . chr(0xAF), // 窄无中断空格（U+202F） + ], ' ', $text); + + //合并连续空格 + $text = preg_replace('/\s+/u', ' ', $text); + + return $text; + } + // private function getTextFromElement($element, $lineNumber = 0){ + // // 初始化默认空字符串（保持原有逻辑） + // $text = ''; + + // // 1. 常量化特殊引号映射（避免重复创建数组，提升性能） + // static $specialQuotesMap = [ + // '’' => "'", // 右单引号（U+2019）→ 普通单引号（U+0027） + // '‘' => "'", // 左单引号（U+2018）→ 普通单引号（U+0027） + // '“' => '"', // 左双引号（U+201C）→ 普通双引号（U+0022） + // '”' => '"', // 右双引号（U+201D）→ 普通双引号（U+0022） + // '„' => '"', // 下双引号（U+201E）→ 普通双引号（兼容欧洲排版） + // '‟' => '"', // 右双引号（U+201F）→ 普通双引号（兼容少见排版） + // ]; + + // // 2. 提前校验元素合法性（避免后续 instanceof 无效判断，减少报错） + // if (!is_object($element) || !$element instanceof \PhpOffice\PhpWord\Element\AbstractElement) { + // return $text; + // } + + // // 支持H1标题格式（逻辑不变，优化变量命名可读性） + // if ($element instanceof \PhpOffice\PhpWord\Element\Title) { + // $titleContent = $element->getText(); + // $titleText = ''; + + // // 关键修复：判断返回类型，递归提取文本（逻辑不变） + // if ($titleContent instanceof \PhpOffice\PhpWord\Element\TextRun) { + // $titleText = $this->getTextFromElement($titleContent); + // } else { + // $titleText = strtr((string)$titleContent, $specialQuotesMap); + // } + + // $text .= $titleText . ' '; + // return $text; + // } + + // // 项目编号（逻辑不变，优化空值判断为严格判断） + // if ($element instanceof \PhpOffice\PhpWord\Element\ListItemRun) { + // $this->iNum = isset($this->iNum) && is_numeric($this->iNum) ? $this->iNum : 0; + // $this->iNum++; + // $text .= $this->iNum . ' '; + // } + + // // 处理PreserveText元素（核心逻辑不变，增强容错性） + // if ($element instanceof \PhpOffice\PhpWord\Element\PreserveText) { + // try { + // $reflection = new \ReflectionClass($element); + // $property = $reflection->getProperty('text'); + // $property->setAccessible(true); + // // 空值兜底，避免遍历非数组报错 + // $textParts = $property->getValue($element) ?? []; + // } catch (\ReflectionException $e) { + // // 反射失败时返回已拼接文本，不中断流程 + // return $text; + // } + + // foreach ($textParts as $part) { + // $part = (string)$part; // 强制转字符串，避免类型错误 + // if (strpos($part, 'HYPERLINK') !== false) { + // $decoded = html_entity_decode($part, ENT_QUOTES | ENT_HTML5); + // // 邮箱正则不变，保持原有匹配逻辑 + // if (preg_match('/mailto:([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,10})/i', $decoded, $match)) { + // $text .= $match[1] . ' '; + // } + // } else { + // $text .= $part; + // } + // } + // return $text; + // } + + // // 处理表格和单元格（逻辑不变，优化循环变量命名） + // if ($element instanceof \PhpOffice\PhpWord\Element\Table) { + // foreach ($element->getRows() as $row) { + // foreach ($row->getCells() as $cell) { + // $text .= $this->getTextFromElement($cell); + // } + // } + // return $text; + // } + + // if ($element instanceof \PhpOffice\PhpWord\Element\Cell) { + // foreach ($element->getElements() as $child) { + // $text .= $this->getTextFromElement($child); + // } + // return $text; + // } + + // // 处理嵌套元素（逻辑不变，增强方法存在性校验） + // if (method_exists($element, 'getElements') && is_callable([$element, 'getElements'])) { + // foreach ($element->getElements() as $child) { + // // 双重校验，避免非元素对象传入 + // if (is_object($child) && $child instanceof \PhpOffice\PhpWord\Element\AbstractElement) { + // $textPart = $this->getTextFromElement($child); + // $text .= $textPart; + // } + // } + // } + + // // 处理文本元素（逻辑不变，保持特殊引号替换） + // if ($element instanceof \PhpOffice\PhpWord\Element\Text) { + // $textPart = (string)$element->getText(); // 强制转字符串，避免空值 + // $textPart = strtr($textPart, $specialQuotesMap); + // $text .= $textPart; + // } + + // // 处理超链接（逻辑不变，优化变量类型转换） + // if ($element instanceof \PhpOffice\PhpWord\Element\Link) { + // $target = (string)$element->getTarget(); + // if (strpos($target, 'mailto:') === 0) { + // $text .= rtrim(str_replace('mailto:', '', $target)) . ' '; + // } + // $linkText = strtr((string)$element->getText(), $specialQuotesMap); + // $text .= $linkText . ' '; + // } + + // // 处理字段和注释（逻辑不变，增加类型转换，避免非字符串拼接） + // if ($element instanceof \PhpOffice\PhpWord\Element\Field) { + // $text .= (string)$element->getContent() . ' '; + // } + // if ($element instanceof \PhpOffice\PhpWord\Element\Note) { + // $text .= (string)$element->getContent() . ' '; + // } + + // // 清理文本（逻辑不变，优化编码校验顺序，提升性能） + // $text = str_replace(["\t", "\r", "\n"], ' ', $text); + // $text = preg_replace('/\s+/', ' ', $text); + // // 先trim再判断，避免空白字符导致的无效编码转换 + // $textTrimmed = trim($text); + // if (!empty($textTrimmed) && !mb_check_encoding($textTrimmed, 'UTF-8')) { + // $text = mb_convert_encoding($text, 'UTF-8', 'GBK'); + // } + + // return $text; + // } /** * 从 Word 文档提取摘要和关键词 * @return array 提取结果 @@ -950,221 +1157,217 @@ class ArticleParserService * @param int $maxDepth 最大解析深度 * @return string */ - private function fullDecode($str, $maxDepth = 2) - { - // 空值/深度为0，直接返回（提前终止，避免无效操作） - if (empty($str) || $maxDepth <= 0) { - return $str; + private function fullDecode(?string $str, int $maxDepth = 2){ + // 空值/无效深度/纯空格，直接返回（严谨前置判断，避免无效运算） + if ($str === null || trim((string)$str) === '' || $maxDepth <= 0) { + return $str === null ? '' : trim((string)$str); } + + // 确保输入是字符串（兼容非字符串输入场景） + $str = (string)$str; + // 前置Unicode解码（避免转义字符干扰后续匹配） $str = $this->decodeUnicode($str); - // ========== 预编译所有正则（合并同类型，避免循环内重复解析） ========== + + // ========== 预编译正则（优化匹配精度、避免歧义，仅编译一次） ========== $regexps = [ - // 原有专属场景正则 - 'ob0' => '/0B\s*\?0/', - 'dl18' => '/DL\s*\?.18/', - // 原有通用场景正则 - 'qMarkNum' => '/\?(\d+)/', - 'qMarkDotNum' => '/\?(\.\d+)/', - // ≤、≠空格修复正则 - 'neNum' => '/≠\s*(\d+)/', - 'leNum' => '/≤\s*(\d+)/', - // 混合符号乱码正则（合并中英文顿号/逗号） - 'mixSymbol' => '/(\?)\s*(、|,)\s*(\?)\s*(、|,)\s*(\?)(\d+)/', - // ≤、≠专属标识正则（合并LE/NE） - 'leNeMark' => '/(LE|NE)\s*\?(\d+)/', - // Unicode转义正则 - 'unicode' => '/\\\\u([0-9a-fA-F]{4})/', - // Word二进制乱码（合并≤≥≠） - 'wordBin' => '/(\\xE2\\x89\\x86|\\xE2 0x89 0x86|e28986|\\xE2\\x89\\x87|\\xE2 0x89 0x87|e28987|\\xE2\\x89\\x80|\\xE2 0x89 0x80|e28980)/i', - // Word XML实体异常（合并≤≥≠） - 'wordEntity' => '/&#\s*(\x|X)?\s*(2264|2265|2260)\s*;?/i', - // 不可见控制字符 - 'controlChar' => '/[\x00-\x1F\x7F]/', - // 重复符号去重（合并≤≥≠） - 'repeatSymbol' => '/(≤{2,}|≥{2,}|≠{2,})/', - // GBK编码乱码（合并≤≥≠） - 'gbkSymbol' => '/(\xA1\xF2|\xA1\xF3|\xA1\xF0)/' + // 专属场景正则：优化空格匹配（任意空白字符）+ 问号转义（避免正则歧义） + 'ob0' => '/0B\s*\\?0/', // 匹配 0B?0、0B ?0 等场景 + 'dl18' => '/DL\s*\\?\.18/', // 精准匹配 DL?.18（避免误匹配 DL?x.18） + // 通用场景正则：问号转义，确保仅匹配字面问号 + 'qMarkNum' => '/\\?(\d+)/', // 匹配 ?123、?45 等（问号转义） + 'qMarkDotNum' => '/\\?(\.\d+)/', // 匹配 ?.18、?.25 等（问号转义） + // ≤、≠空格修复：支持任意空白字符（含全角空格） + 'neNum' => '/≠\s*(\d+)/u', + 'leNum' => '/≤\s*(\d+)/u', + // 混合符号乱码：用非捕获组减少开销，优化分组逻辑 + 'mixSymbol' => '/\\?\s*(?:、|,)\s*\\?\s*(?:、|,)\s*\\?(\d+)/u', + // ≤、≠专属标识：支持大小写不敏感（覆盖 LE/le/NE/ne） + 'leNeMark' => '/(LE|NE)\s*\\?(\d+)/i', + // Unicode转义：支持 \u/\U 前缀，覆盖更多转义格式 + 'unicode' => '/\\\\[uU]([0-9a-fA-F]{4})/', + // Word二进制乱码：优化正则结构（非捕获组），避免重复分组 + 'wordBin' => '/(?:\\xE2\\x89\\x86|\\xE2\s*0x89\s*0x86|e28986|\\xE2\\x89\\x87|\\xE2\s*0x89\s*0x87|e28987|\\xE2\\x89\\x80|\\xE2\s*0x89\s*0x80|e28980)/i', + // Word XML实体异常：优化匹配（支持无分号、空格间隔） + 'wordEntity' => '/&#\s*(?:x|X)?\s*(2264|2265|2260)\s*;?/i', + // 不可见控制字符：添加UTF-8修饰符，避免匹配多字节字符异常 + 'controlChar' => '/[\x00-\x1F\x7F]/u', + // 重复符号去重：用反向引用优化，匹配更高效（支持≤≥≠） + 'repeatSymbol' => '/(≤|≥|≠)\1+/u', + // GBK编码乱码：优化正则（无冗余分组），确保匹配原生字节 + 'gbkSymbol' => '/\xA1\xF2|\xA1\xF3|\xA1\xF0/' ]; - // ========== 预定义所有替换映射（避免循环内重复创建） ========== + // ========== 预定义替换映射（扩展场景、去冗余、修复转义问题） ========== $maps = [ - // HTML实体映射（扩展Word实体） + // HTML实体映射：补充更多Word常见实体，覆盖不完整实体场景 'htmlEntity' => [ - '≤' => '≤', '≤' => '≤', '≤' => '≤', - '≥' => '≥', '≥' => '≥', '≥' => '≥', - '≠' => '≠', '≠' => '≠', '≠' => '≠', - '&le' => '≤', '&ge' => '≥', '&ne' => '≠', - 'ࣘ' => '≤', 'ࣙ' => '≥', 'ࣔ' => '≠', - '≤' => '≤', '≥' => '≥', '≠' => '≠', - '≤' => '≤', '≥' => '≥', '≠' => '≠', - '<' => '≤', '>' => '≥' + '≤' => '≤', '≤' => '≤', '≤' => '≤', '≤' => '≤', + '≥' => '≥', '≥' => '≥', '≥' => '≥', '≥' => '≥', + '≠' => '≠', '≠' => '≠', '≠' => '≠', '≠' => '≠', + '&le' => '≤', '&ge' => '≥', '&ne' => '≠', // 无分号实体 + 'ࣘ' => '≤', 'ࣙ' => '≥', 'ࣔ' => '≠', // 无分号数字实体 + '≤' => '≤', '≥' => '≥', '≠' => '≠', // 无分号十六进制实体 + '<' => '≤', '>' => '≥', // 业务专属映射（保留） ], - // 空格替换数组（扩展Word中的各种空格） + // 空格替换数组：补充Word中常见的特殊空格，覆盖更多场景 'nbsp' => [ - chr(0xC2) . chr(0xA0), // UTF-8不间断空格 - chr(0xA0), // 拉丁1不间断空格 - '　', // 全角空格 - chr(0x2002), // 方头空格 - chr(0x2003), // 全角空格 - chr(0x2004) // 三分之一全角空格 + chr(0xC2) . chr(0xA0), // UTF-8不间断空格（ ） + chr(0xA0), // 拉丁1不间断空格 + '　', // 全角空格（U+3000） + chr(0x2002), // 半角空格（U+2002） + chr(0x2003), // 全角空格（U+2003） + chr(0x2004), // 三分之一全角空格（U+2004） + chr(0x2005), // 四分之一全角空格（U+2005） + chr(0x202F), // 窄无中断空格（U+202F，Word常用） ], - // 二进制乱码映射 + // 二进制乱码映射：统一键名格式（去除空格），避免重复匹配 'wordBin' => [ - 'e28986' => '≤', '\\xe2\\x89\\x86' => '≤', '\\xe2 0x89 0x86' => '≤', - 'e28987' => '≥', '\\xe2\\x89\\x87' => '≥', '\\xe2 0x89 0x87' => '≥', - 'e28980' => '≠', '\\xe2\\x89\\x80' => '≠', '\\xe2 0x89 0x80' => '≠' + 'e28986' => '≤', + '\xe2\x89\x86' => '≤', + '\xe20x890x86' => '≤', // 去除空格后的统一键名 + 'e28987' => '≥', + '\xe2\x89\x87' => '≥', + '\xe20x890x87' => '≥', + 'e28980' => '≠', + '\xe2\x89\x80' => '≠', + '\xe20x890x80' => '≠', ], - // XML实体编码映射 + // XML实体编码映射：保持简洁，仅映射核心数字 'wordEntity' => [ '2264' => '≤', '2265' => '≥', - '2260' => '≠' + '2260' => '≠', ], - // GBK编码映射 + // GBK编码映射：修复转义问题（用双引号包裹原生字节，避免匹配失败） 'gbkSymbol' => [ - '\xA1\xF2' => '≤', - '\xA1\xF3' => '≥', - '\xA1\xF0' => '≠' - ] + "\xA1\xF2" => '≤', // 原生GBK字节，无需转义（双引号关键） + "\xA1\xF3" => '≥', + "\xA1\xF0" => '≠', + ], ]; - // 预定义回调函数（仅创建一次，避免循环内重复实例化） + // 预定义回调函数（仅创建一次，提升性能，增加容错） $unicodeCallback = function ($m) { - return mb_chr(hexdec($m[1]), 'UTF-8') ?: $m[0]; + $code = hexdec($m[1]); + // 容错：十六进制转换失败/无效Unicode码点，返回原始值 + return ($code >= 0x20 && $code <= 0x10FFFF) ? mb_chr($code, 'UTF-8') : $m[0]; }; $depth = 0; $hasChange = false; - $original = $str; + $currentStr = $str; - // 循环解码：仅在有变化且未达最大深度时执行 + // 循环解码：仅在有变化且未达最大深度时执行（避免无限循环） do { $depth++; $hasChange = false; - $prevStr = $str; + $prevStr = $currentStr; - // ========== 前置处理（惰性执行，避免无意义操作） ========== - $countCtrl = 0; + // ========== 前置处理（惰性执行，仅在需要时触发） ========== // 1. 过滤不可见控制字符（仅当包含时执行） - if (preg_match($regexps['controlChar'], $str)) { - $str = preg_replace($regexps['controlChar'], '', $str, -1, $countCtrl); + if (preg_match($regexps['controlChar'], $currentStr)) { + $currentStr = preg_replace($regexps['controlChar'], '', $currentStr); } - // 2. GBK/GB2312编码转UTF-8（仅当非UTF-8时执行） - if (!mb_check_encoding($str, 'UTF-8')) { - $str = mb_convert_encoding($str, 'UTF-8', 'GBK,GB2312,ISO-8859-1'); + // 2. 编码校正（非UTF-8时才转换，增加容错机制） + if (!mb_check_encoding($currentStr, 'UTF-8')) { + $converted = mb_convert_encoding( + $currentStr, + 'UTF-8', + 'GBK,GB2312,ISO-8859-1,CP1252' // 补充CP1252（Windows西文编码） + ); + // 容错：转换失败时保留原文本，避免乱码加剧 + $currentStr = mb_check_encoding($converted, 'UTF-8') ? $converted : $currentStr; } - // ========== 核心解码逻辑 ========== - // 1. 解码Unicode转义 - $str = preg_replace_callback($regexps['unicode'], $unicodeCallback, $str); + // ========== 核心解码逻辑（按优先级执行，避免冲突） ========== + // 1. Unicode转义解码（优先处理，避免转义字符干扰后续匹配） + $currentStr = preg_replace_callback($regexps['unicode'], $unicodeCallback, $currentStr); - // 2. 解码HTML实体（高性能strtr替换） - $str = strtr($str, $maps['htmlEntity']); - $str = html_entity_decode($str, ENT_QUOTES | ENT_HTML5 | ENT_SUBSTITUTE, 'UTF-8'); + // 2. HTML实体替换（先精准映射，再解码剩余实体） + $currentStr = strtr($currentStr, $maps['htmlEntity']); + $currentStr = html_entity_decode( + $currentStr, + ENT_QUOTES | ENT_HTML5 | ENT_SUBSTITUTE, + 'UTF-8' + ); - // 3. 替换各种空格为普通空格 - $str = str_replace($maps['nbsp'], ' ', $str); + // 3. 统一所有空格为普通空格（避免空格类型导致的匹配失败） + $currentStr = str_replace($maps['nbsp'], ' ', $currentStr); - // ========== Word特殊符号乱码修复（合并+惰性） ========== - $countBin = $countEnt = $countGbk = $countRepeat = 0; - - // 1. 二进制乱码还原（合并正则+回调） - if (preg_match($regexps['wordBin'], $str)) { - $str = preg_replace_callback($regexps['wordBin'], function ($m) use ($maps) { - $key = strtolower(str_replace(' ', '', $m[0])); - return $maps['wordBin'][$key] ?? $m[0]; - }, $str, -1, $countBin); + // ========== Word特殊符号乱码修复（惰性执行，优化效率） ========== + // 1. 二进制乱码还原（先去除空格统一格式，再匹配） + if (preg_match($regexps['wordBin'], $currentStr)) { + $tempStr = str_replace(' ', '', $currentStr); // 去除所有空格，统一键名格式 + $currentStr = str_ireplace(array_keys($maps['wordBin']), $maps['wordBin'], $tempStr); } - // 2. XML实体异常修复（合并正则+回调） - if (preg_match($regexps['wordEntity'], $str)) { - $str = preg_replace_callback($regexps['wordEntity'], function ($m) use ($maps) { - return $maps['wordEntity'][$m[2]] ?? $m[0]; - }, $str, -1, $countEnt); + // 2. XML实体异常修复 + if (preg_match($regexps['wordEntity'], $currentStr)) { + $currentStr = preg_replace_callback($regexps['wordEntity'], function ($m) use ($maps) { + return $maps['wordEntity'][$m[1]] ?? $m[0]; + }, $currentStr); } - // 3. GBK编码乱码修复（合并正则+回调） - if (preg_match($regexps['gbkSymbol'], $str)) { - $str = preg_replace_callback($regexps['gbkSymbol'], function ($m) use ($maps) { - return $maps['gbkSymbol'][$m[0]] ?? $m[0]; - }, $str, -1, $countGbk); + // 3. GBK编码乱码修复（用strtr替代preg_replace_callback，效率更高） + if (preg_match($regexps['gbkSymbol'], $currentStr)) { + $currentStr = strtr($currentStr, $maps['gbkSymbol']); } - // 4. 重复符号去重（合并正则+极简回调） - if (preg_match($regexps['repeatSymbol'], $str)) { - $str = preg_replace_callback($regexps['repeatSymbol'], function ($m) { - return $m[0][0]; // 取第一个字符实现去重 - }, $str, -1, $countRepeat); + // 4. 重复符号去重（用preg_replace简化，无需回调） + if (preg_match($regexps['repeatSymbol'], $currentStr)) { + $currentStr = preg_replace($regexps['repeatSymbol'], '$1', $currentStr); } - // ========== 原有核心替换逻辑（合并+惰性） ========== - $count1 = $count2 = $count3 = $count4 = $count5 = $count6 = 0; - $count7 = $count8 = $count9 = 0; - - // 1. 专属场景替换（惰性执行） - if (strpos($str, '0B?0') !== false) { - $str = preg_replace($regexps['ob0'], '0B≥30', $str, -1, $count1); + // ========== 业务场景专属替换（惰性执行，精准匹配） ========== + // 1. 专属场景替换（0B?0 → 0B≥30，DL?.18 → DL≥0.18） + if (strpos($currentStr, '0B') !== false) { + $currentStr = preg_replace($regexps['ob0'], '0B≥30', $currentStr); } - if (strpos($str, 'DL?.18') !== false) { - $str = preg_replace($regexps['dl18'], 'DL≥0.18', $str, -1, $count2); + if (strpos($currentStr, 'DL') !== false) { + $currentStr = preg_replace($regexps['dl18'], 'DL≥0.18', $currentStr); } - // 2. ≤、≠空格修复（惰性执行） - if (preg_match($regexps['neNum'], $str)) { - $str = preg_replace($regexps['neNum'], '≠$1', $str, -1, $count3); + // 2. ≤、≠空格修复（去除符号与数字间的空格） + if (preg_match($regexps['neNum'], $currentStr)) { + $currentStr = preg_replace($regexps['neNum'], '≠$1', $currentStr); } - if (preg_match($regexps['leNum'], $str)) { - $str = preg_replace($regexps['leNum'], '≤$1', $str, -1, $count4); + if (preg_match($regexps['leNum'], $currentStr)) { + $currentStr = preg_replace($regexps['leNum'], '≤$1', $currentStr); } - // 3. 通用场景替换（惰性执行） - if (preg_match($regexps['qMarkNum'], $str)) { - $str = preg_replace($regexps['qMarkNum'], '≥$1', $str, -1, $count5); + // 3. 通用场景替换（问号 → ≥） + if (preg_match($regexps['qMarkNum'], $currentStr)) { + $currentStr = preg_replace($regexps['qMarkNum'], '≥$1', $currentStr); } - if (preg_match($regexps['qMarkDotNum'], $str)) { - $str = preg_replace($regexps['qMarkDotNum'], '≥0$1', $str, -1, $count6); + if (preg_match($regexps['qMarkDotNum'], $currentStr)) { + $currentStr = preg_replace($regexps['qMarkDotNum'], '≥0$1', $currentStr); } - // 4. 混合符号乱码还原（合并中英文，惰性执行） - if (preg_match($regexps['mixSymbol'], $str)) { - $str = preg_replace($regexps['mixSymbol'], '≤$2≥$4≠$6', $str, -1, $count7); + // 4. 混合符号乱码还原（?、，?、，?123 → ≤≥≠123） + if (preg_match($regexps['mixSymbol'], $currentStr)) { + $currentStr = preg_replace($regexps['mixSymbol'], '≤≥≠$1', $currentStr); } - // 5. ≤、≠专属标识还原（合并正则，惰性执行） - if (preg_match($regexps['leNeMark'], $str)) { - $str = preg_replace_callback($regexps['leNeMark'], function ($m) { - return $m[1] === 'LE' ? '≤' . $m[2] : '≠' . $m[2]; - }, $str, -1, $count8); + // 5. ≤、≠专属标识还原（LE?123 → ≤123，NE?456 → ≠456） + if (preg_match($regexps['leNeMark'], $currentStr)) { + $currentStr = preg_replace_callback($regexps['leNeMark'], function ($m) { + return strtoupper($m[1]) === 'LE' ? '≤' . $m[2] : '≠' . $m[2]; + }, $currentStr); } - // 6. 修复前缀"d with "乱码（惰性执行） - if (strpos($str, 'd with ') !== false) { - $str = str_replace('d with ', 'd with ', $str, $count9); - } + // 6. 移除冗余代码（原代码"d with "替换无意义，直接删除） - // ========== 变化判断（合并计数，减少运算） ========== - $totalCount = $countCtrl + $countBin + $countEnt + $countGbk + $countRepeat + - $count1 + $count2 + $count3 + $count4 + $count5 + $count6 + - $count7 + $count8 + $count9; + // ========== 变化判断（简化逻辑，避免无效计数） ========== + $hasChange = ($currentStr !== $prevStr); - if ($totalCount > 0 || $str !== $prevStr) { - $hasChange = true; - $original = $str; - } + } while ($depth < $maxDepth && $hasChange); - // 提前终止：无变化则退出循环 - if (!$hasChange) { - break; - } + // 最终清理（去除首尾冒号+二次实体替换，确保无遗漏） + $currentStr = trim($currentStr, ':'); + $currentStr = strtr($currentStr, $maps['htmlEntity']); - } while ($depth < $maxDepth); - - // 最终清理+兜底替换 - $str = trim($str, ':'); - $str = strtr($str, $maps['htmlEntity']); - - return $str; + return $currentStr; } // private function fullDecode($str, $maxDepth = 5) {