php正則表達匹配中文問題分析小結

複製代碼 代碼如下:$str = '中華人民共和國123456789abcdefg';
echo preg_match("/^[u4e00-u9fa5_a-zA-Z0-9]{3,15}$",$strName);

運行一下上面這段代碼，看會有什麼提示資訊？

Warning: preg_match(): Compilation failed: PCRE does not support L, l, N, P, p, U, u, or X at offset 3 in F:wwwrootphptest.php on line 2
原來，PHPRegex中不支援下列 Perl 逸出序列：L, l, N, P, p, U, u, or X

在 UTF-8 模式下，允許用“x{...}”，花括弧中的內容是表示十六進位數位字串。

原來的十六進位逸出序列 xhh 如果其值大於 127 的話則匹配了一個雙位元組 UTF-8 字元。
所以，
可以這樣來解決 複製代碼 代碼如下:preg_match("/^[x80-xff_a-zA-Z0-9]{3,15}$",$strName);
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：

複製代碼 代碼如下:$str = "php編程";
if (preg_match("/^[x{2460}-x{2468}]+$/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代碼：

複製代碼 代碼如下:$str = "php編程";
if (preg_match("/^[x4e00-x9fa5]+$/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：

複製代碼 代碼如下:$str = "php編程";
if (preg_match("/^[x{4e00}-x{9fa5}]+$/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Regex匹配漢字的最終正確運算式——/^[x{4e00}-x{9fa5}]+$/u，

最後總結出

複製代碼 代碼如下://if (preg_match(“/^[".chr(0xa1)."-".chr(0xff)."]+$/”, $str)) { //只能在GB2312情況下使用
if (preg_match(“/^[x7f-xff]+$/”, $str)) { //相容gb2312,utf-8
echo “正確輸入”;
} else {
echo “錯誤輸入”;
}

雙位元組字元編碼範圍

1. GBK (GB2312/GB18030)
x00-xff GBK雙位元組編碼範圍
x20-x7f ASCII
xa1-xff 中文 gb2312
x80-xff 中文 gbk

2. UTF-8 (Unicode)

u4e00-u9fa5 (中文)
x3130-x318F (韓文
xAC00-xD7A3 (韓文)
u0800-u4e00 (日文)