PHP中正則表達式對UNICODE字符碼的匹配方法

2020-01-20 22:17:10

字體：大中小

來源：轉載

供稿：網友

網友ainiaa的問題是

PHP代碼如下

 
$words = "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSRUVWXYZ!@#$%^&*()_+-=[]//,./{}|<>?'/"你好啊我們"; 
$otherStr=preg_replace("/[chr(128)-chr(256)]+/is"," ",$words); 
echo 'otherStr:',$otherStr; 

為什么打印的結果會是：
otherStr: ! #$% & {}| ‘”你好啊我們

麻煩問下其中正則表達式 /[chr(128)-chr(256)]+/is 代表什么意思？
如果/[chr(128)-chr(256)]+/is 指的是ascii碼在128到256的字符，為什么a-zA-Z這樣的字符也被替換掉了，他們的ascii碼是小于127的。
最令人郁悶的是為什么ascii碼同在0-127區間”#”,”$”,”%”,”&”, “!”,” {“,”}”,”|”,” ‘”,”確沒有被替換掉？？？？
更令人感覺神奇的是如果把正則表達式修改為”/[chr(128)-chr(256)]+/s”的話，輸出的結果就變成了： otherStr: defg ijklmnopq stuvwxyz ! #$% & {}| ‘”你好啊我們
只是把正則表達式中的符號‘i'給去掉，結果缺失這樣的。完全的令我理解不了。
不知各位有何見解？？？？
另附ascii 碼對照表
（這個ASCII碼表的圖我就不貼了）

回帖中，有個網友說沒解析chr(128)這些，并給出了新的解決方法。首先說下此網友回答的是正確的，先不評論他是否“知其然，且知其所以然”，這位網友沒有給出錯誤的原因。

CFC4N來回答一下這位網友：

PHP的正則的preg_match函數用的是PCRE正則引擎，這位網友的代碼中，PCRE引擎處理的正則表達式為【/[chr(128)-chr(256)]+/is】，后面的is是什么呢？
在PHP的正則里，邊界字符后面的叫模式修飾符。它會告訴引擎如何解析，處理正則。其中i修飾符表示不區分大小寫。s表示“點號通配模式”，用來讓正則里的元字符點號【.】可以匹配換行符，這個修飾符僅對點號【.】起作用。在這位網友的問題中，修飾符s并不起作用的。

查找原因：
我們在來分析一下這個網友寫的正則表達式【[chr(128)-chr(256)]+】，正則表達式的PCRE引擎是如何解釋這個正則的呢？首先，我們要知道，在正則表達式中，中括號【[]】表示字符組，字符組中除了連接符【-】只外，都不是元字符，也就是說，都是普通字符，當然，如果連字符出現在第一個，或者不是標識兩個字符之間范圍的，都是普通的字符橫杠“-”罷了。這里的chr(128)只是標識ASCII碼為128（確切的說，ASCII碼只是0-127個，128到其他的，應該不叫ASCII碼了。），但是在正則里，他仍然代表【c、h、r、(、1、2、8、)】（頓號不是，只是區分易讀的）這八個字符罷了。這個正則里的連接字符，是哪些范圍呢？很明顯，這里的連接字符的范圍是【)-c】，“)”ASCII碼為0×29，也就是十進制的41；“c”的ASCII碼為0×63，也就是十進制的99，那么，他這個連接字符的范圍就是ASCII 41（chr(41)）到ASCII 99（chr(99)）之間的字符。也就是說，這位網友的正則的范圍是【[hr)-c(]】，就是chr(41)到chr(99)外加hr這兩個字母和前面的“(”。
網友第一次測試的時候，有修飾符i，意思就是說，不區分大小寫，那么在chr(41)到chr(99)之間的字符，以及這些字符如果有大小寫，則包括他們的大小寫都符合匹配。都會被替換成空。其第二次測試的時候，去掉了修飾符i，進行了不區分大小寫的匹配，由于其范圍只到c，但突然，再除了小寫字母的“h”、“r”，所以，測試結果會多出“defgijklmnopqstuvwxyz”。所以，他的結果出現了這些差別。

網友的表達式等同于如下圖所示

解決辦法：
錯誤的原因找出來了，那么，解決的辦法呢？
我們先來看看這位網友的需求，他的需求是將unicode（ASCII只是0-127位的，128之后的，應該叫UNICODE碼）的chr(128)到chr(255)之間的字符匹配，替換為空罷了。正則表達式里，對十六進制的字符匹配的表示方式有兩種，【/u】和【/x{}】，前者只能表示【/u】后面4位的十六進制數值，而后者【/x{}】則可以表示任意多的十六進制位數（寫在大括號中）。
那么，這個正則表達式該如何寫？？？？

網友的目的是chr(128)到chr(255)，那么就是【[/u0080-/u00FF]】或者【[/x{0080}-/x{00FF}]】。
其目的是匹配下圖中的紅框內字符

提醒一下，PHP里正則匹配unicode字符時，需要使用u修飾符。
根據網友需求，更改正則之后的PHP代碼如下：

復制代碼代碼如下:

 
$words = "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSRUVWXYZ!@#$%^&*()_+-=[]//,./{}|<>?'/"你好啊我們"; 
$otherStr=preg_replace("http://[/x{0080}-/x{00FF}]+/iu"," ",$words); 
echo 'otherStr:',$otherStr; 

其運行結果是仍然輸出那段字符串，為什么呢？因為哪些字符串都不在chr(128)到chr(255)的范圍之內。
（測試時，注意文件編碼為UTF-8）
以上為鄙人愚見，歡迎批評指正。

上一篇：CFC4N小試php正則表達式

下一篇：coolcode轉SyntaxHighlighter與Mysql正則表達式實現分析