php中utf-8編碼下用正則表達式如何匹配漢字

2020-01-20 22:21:11

字體：大中小

來源：轉載

供稿：網友

在javascript中，要判斷字符串是中文是很簡單的。比如：

 
var str = "php編程"; 
if (/^[/u4e00-/u9fa5]+$/.test(str)) { 
alert("該字符串全部是中文"); 
} else { 
alert("該字符串不全部是中文"); 
} 

想當然的，在php中來判斷字符串是否為中文，就會沿襲這個思路：

復制代碼代碼如下:

 
<?php 
$str = "php編程"; 
if (preg_match("/^[/u4e00-/u9fa5]+$/",$str)) { 
print("該字符串全部是中文"); 
} else { 
print("該字符串不全部是中文"); 
} 
?> 

不過，很快就會發現，php并不支持這樣的表達，報錯：
Warning: preg_match() [function.preg-match]: Compilation failed: PCRE does not support /L, /l, /N, /U, or /u at offset 3 in test.php on line 3
剛開始從google上查了很多次，想從php正則表達式對于十六進制數據的表達方式上進行突破，發現在php中，是用/x表示十六進制數據的。于是，變換成如下的代碼：
$str = "php編程";
if (preg_match("/^[/x4e00-/x9fa5]+$/",$str)) {
print("該字符串全部是中文");
} else {
print("該字符串不全部是中文");
}
貌似不報錯了，判斷的結果也正確，不過把$str換成“編程”兩字，結果卻還是顯示“該字符串不全部是中文”，看來這樣的判斷還是不夠準確。
后來跑回百度搜“php 匹配漢字 utf 8”，發現文章的匹配程度竟然要比google的高多了，看來百度的“百度更懂中文”還在一定程度上是正確的。在第二篇文章《★★★ 求UTF8下匹配漢字的正則, 在線等.........》中看到了如下的一些內容：
樓主zhiin（┈ Jcan ┈）2006-11-15 15:59:30 在 Web 開發 / PHP 提問
求UTF8下匹配漢字的正則, 不包括全角字符及特殊符號!
網上只能找到匹配全角字符的正則: ^[/x80-/xff]*^/
[/u4e00-/u9fa5]可以匹配中文,但是PHP又不支持
郁悶中.......
1 樓PleaseDoTellMeWhy（Allah bless you!）回復于 2006-11-15 16:04:55 得分 11
chr(0xa1) . '-' . chr(0xff)可以匹配所有中文,但是不知道在UTF-8下如何!Top
2 樓zhiin（┈ Jcan ┈）回復于 2006-11-15 16:11:34 得分 0
即使在gb2312下, chr(0xa1) . '-' . chr(0xff) 也不對
它把全角符號也匹配進來了Top
3 樓xuzuning（嘮叨）回復于 2006-11-15 16:19:56 得分 90
模式修正符： u
按照這幾位提供的線索逐個試了一下，發現還真的如他們所說，可能還跟編碼有關系，因此需要了解一下模式修正符的相關知識――于是繼續搜索百度。
在一篇《模式修正符》的文章中了解到：
u (PCRE_UTF8)
此修正符啟用了一個 PCRE 中與 Perl 不兼容的額外功能。模式字符串被當成 UTF-8。本修正符在 Unix 下自 PHP 4.1.0 起可用，在 win32 下自 PHP 4.2.3 起可用。
例子:
preg_match('/[/x{2460}-/x{2468}]/u', $str); 匹配內碼漢字
按照他提供的方式進行測試，代碼如下：

復制代碼代碼如下:

 
$str = "php編程"; 
if (preg_match("/^[/x{2460}-/x{2468}]+$/u",$str)) { 
print("該字符串全部是中文"); 
} else { 
print("該字符串不全部是中文"); 
} 

發現這次依然對是否為中文判斷失常。不過，既然/x表示的十六進制數據，為什么和js里邊提供的范圍/x4e00-/x9fa5不一樣呢？于是我就換成了下邊的代碼：

復制代碼代碼如下:

 
$str = "php編程"; 
if (preg_match("/^[/x4e00-/x9fa5]+$/u",$str)) { 
print("該字符串全部是中文"); 
} else { 
print("該字符串不全部是中文"); 
} 

本來以為鐵定成功了的事情，沒想到，warning又一次產生了：
Warning: preg_match() [function.preg-match]: Compilation failed: invalid UTF-8 string at offset 6 in test.php on line 3
看來又有錯誤的表達方式了，于是對照了一下那篇文章的表達方式，給“4e00”和“9fa5”兩邊分別用"{"和“}”包起來，跑了一遍，發現真的準確了：

復制代碼代碼如下:

 
$str = "php編程"; 
if (preg_match("/^[/x{4e00}-/x{9fa5}]+$/u",$str)) { 
print("該字符串全部是中文"); 
} else { 
print("該字符串不全部是中文"); 
} 

知道了php中utf-8編碼下用正則表達式匹配漢字的最終正確表達式――/^[/x{4e00}-/x{9fa5}]+$/u，于是我又用這個表達式去百度搜索，發現竟然還真有別人得出過這樣正確的結論，只不過通過常規的方式很難找到而已，而且僅僅搜到有一篇――《用正則刪除漢字》，看來互聯網上對于信息的正確性的篩選還是亟待加強的。
ps：對google不死心，也搜索了一下，又發現了一篇文章《php常用類》，還是在百度空間的，呵呵，有意思！

上一篇：PHP正則匹配圖片并給圖片加鏈接詳解

下一篇：PHP 正則表達式驗證中文的問題