1. 程式人生 > >PHP中文正則匹配

PHP中文正則匹配

在javascript中,要判斷字串是中文是很簡單的。比如:
var str = "php程式設計";
if (/^[\u4e00-\u9fa5]+$/.test(str)) {
alert("該字串全部是中文");
} else {
alert("該字串不全部是中文");
}

想當然的,在php中來判斷字串是否為中文,就會沿襲這個思路:
<?php
$str = "php程式設計";
if (preg_match("/^[\u4e00-\u9fa5]+$/",$str)) {
print("該字串全部是中文");
} else {
print("該字串不全部是中文");
}
?>

不過,很快就會發現,php並不支援這樣的表達,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正則表示式對於十六進位制資料的

表達方式上進行突破,發現在php中,是用\x表示十六進位制資料的。於是,

變換成如下的程式碼:
$str = "php程式設計";
if (preg_match("/^[\x4e00-\x9fa5]+$/",$str)) {
print("該字串全部是中文");
} else {
print("該字串不全部是中文");
}
貌似不報錯了,判斷的結果也正確,不過把$str換成“程式設計”兩字,結果卻

還是顯示“該字串不全部是中文”,看來這樣的判斷還是不夠準確。

後來跑回百度搜“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, 線上等.........》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, 不包括全形字元及特殊符號!
  
網上只能找到匹配全形字元的正則: ^[\x80-\xff]*^/
[\u4e00-\u9fa5]可以匹配中文,但是PHP又不支援
  
鬱悶中.......

1 樓PleaseDoTellMeWhy(Allah bless you!)回覆於 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 ┈)回覆於 2006-11-15 16:11:34 得分 0

即使在gb2312下, chr(0xa1) . '-' . chr(0xff) 也不對
它把全形符號也匹配進來了Top
3 樓xuzuning(嘮叨)回覆於 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,可能還跟編碼有關係,

因此需要了解一下模式修正符的相關知識——於是繼續搜尋百度。

在一篇《模式修正符》的文章中瞭解到:

u (PCRE_UTF8)

此修正符啟用了一個 PCRE 中與 Perl 不相容的額外功能。模式字串被當成 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,程式碼如下:

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

發現這次依然對是否為中文判斷失常。不過,既然\x表示的十六進位制資料,

為什麼和js裡邊提供的範圍\x4e00-\x9fa5不一樣呢?於是我就換成了下邊的程式碼:
$str = "php程式設計";
if (preg_match("/^[\x4e00-\x9fa5]+$/u",$str)) {
print("該字串全部是中文");
} else {
print("該字串不全部是中文");
}
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,於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:
$str = "php程式設計";
if (preg_match("/^[\x{4e00}-\x{9fa5}]+$/u",$str)) {
print("該字串全部是中文");
} else {
print("該字串不全部是中文");
}

知道了php中utf-8編碼下用正則表示式匹配漢字的最終正確表示式——/^[\x{4e00}-\x{9fa5}]+$/u,

於是我又用這個表示式去百度搜索,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》,看來網際網路上對於

資訊的正確性的篩選還是亟待加強的。

ps:對google不死心,也搜尋了一下,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!
----------------------------------------------------------------------------------------------------------------------------------
參考以上文章寫了如下一段測試程式碼(複製以下程式碼儲存成.php檔案)

<?php
$action = trim($_GET['action']);
if($action == "sub")
{
$str = $_POST['dir'];
//if(!preg_match("/^[".chr(0xa1)."-".chr(0xff)."A-Za-z0-9_]+$/",$str)) //GB2312漢字字母數字下劃線正則表示式
if(!preg_match("/^[\x{4e00}-\x{9fa5}A-Za-z0-9_]+$/u",$str)) //UTF-8漢字字母數字下劃線正則表示式
{  
      echo"<font color=red>您輸入的[".$str."]含有違法字元</font>";  
}
else
{
       echo "<font color=green>您輸入的[".$str."]完全合法,通過!</font>";  
}
}
?>
<form method="POST" action="?action=sub">
輸入字元(數字,字母,漢字,下劃線):
<input type="text" name="dir" value="">
<input type="submit" value="提交">
</form>