php正则表达匹配中文问题分析

本文章分析了在php中正则表达式对中文的支持问题,一般情况下我们可会能简单利用我上面的正则来验证中文,后面我分析了关于兼容gb2312,utf-8和表达式 ^[\\x7f-\\xff]+$ 可以完全搞定中文不兼容的问题。

  1. $str = '中文123456789abcdefg';
  2. echo preg_match("/^[u4e00-u9fa5_a-zA-Z0-9]{3,15}$",$strName);

运行一下上面这段代码,看会有什么提示信息?

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

原来,PHP正则表达式中不支持下列 Perl 转义序列:L, l, N, P, p, U, u, or X,在 UTF-8 模式下,允许用“x{...}”,花括号中的内容是表示十六进制数字的字符串,原来的十六进制转义序列 xhh 如果其值大于 127 的话则匹配了一个双字节 UTF-8 字符,所以我们可以这样来解决:

  1. preg_match("/^[x80-xff_a-zA-Z0-9]{3,15}$",$strName);
  2. preg_match('/[x{2460}-x{2468}]/u', $str);

匹配内码汉字,按照他提供的方式进行测试,代码如下:

  1. $str = "php编程";
  2. if (preg_match("/^[x{2460}-x{2468}]+$/u",$str)) {
  3. print("该字符串全部是中文");
  4. } else {
  5. print("该字符串不全部是中文");
  6. }

发现这次依然对是否为中文判断失常,不过,既然x表示的十六进制数据,为什么和js里边提供的范围x4e00-x9fa5不一样呢?于是我就换成了下边的代码:

  1. $str = "php编程";
  2. if (preg_match("/^[x4e00-x9fa5]+$/u",$str)) {
  3. print("该字符串全部是中文");
  4. } else {
  5. print("该字符串不全部是中文");
  6. }

本来以为铁定成功了的事情,没想到,warning又一次产生了:Warning: preg_match() [function.preg-match]: Compilation failed: invalid UTF-8 string at offset 6 in test.php on line 3

看来又有错误的表达方式了,于是对照了一下那篇文章的表达方式,给“4e00”和“9fa5”两边分别用"{"和“}”包起来,跑了一遍,发现真的准确了:

  1. $str = "php编程";
  2. if (preg_match("/^[x{4e00}-x{9fa5}]+$/u",$str)) {
  3. print("该字符串全部是中文");
  4. } else {
  5. print("该字符串不全部是中文");
  6. }

知道了php中utf-8编码下用正则表达式匹配汉字的最终正确表达式——/^[x{4e00}-x{9fa5}]+$/u,最后总结出:

  1. //if (preg_match(“/^[".chr(0xa1)."-".chr(0xff)."]+$/”, $str)) { //只能在GB2312情况下使用
  2. if (preg_match(“/^[x7f-xff]+$/”, $str)) { //兼容gb2312,utf-8
  3. echo “正确输入”;
  4. } else {
  5. echo “错误输入”;
  6. }

双字节字符编码范围

1. GBK (GB2312/GB18030)

x00-xff GBK双字节编码范围

x20-x7f ASCII

xa1-xff 中文 gb2312

x80-xff 中文 gbk

2. UTF-8 (Unicode)

u4e00-u9fa5 (中文)

xAC00-xD7A3 (韩文)

u0800-u4e00 (日文)