在PHP中使用正则表达式的经验

 

俺先招&＃xff0c;这篇主体都是转的&＃xff0c;但有一点点自己的小心得&＃xff1a;下文中提到的匹配纯汉字的正则表达式是
/^[\x{4e00}-\x{9fa5}]&＃43;$/u
这有好几个小关窍&＃xff1a;
1、通常情况&＃xff08;比如&＃xff0c;JavaScript&＃xff09;下应该是使用\u而不是\x&＃xff0c;这两个的区别是&＃xff0c;前者后面跟四个十六进制数&＃xff0c;也就是一个Unicode码&＃xff0c;而后者本来应该跟两个十六进制数&＃xff0c;也就是一个字节。但是PHP中不支持\u&＃xff0c;所以只好使用\x。
2、但是&＃xff0c;\x后面本来应该只跟两个十六进制数&＃xff0c;所以用上了大括号。
3、最后一定要记住/u&＃xff0c;否则会报兼容性错误。虽然我到现在还没查到是啥意思。

什么时候用到这些呢&＃xff1f;PHP中有一个非常奇怪的地方&＃xff0c;就是其本身并不保证Unicode安全&＃xff0c;但strlen却是按Unicode统计的&＃xff0c;也就是说“中国”的长度是2而不是4&＃xff0c;但是&＃xff0c;要取子串的时候&＃xff0c;substr就是按ASCII码来计算&＃xff0c;这样一来自然就要乱套&＃xff0c;所以&＃xff0c;可以用下面这段代码&＃xff1a;
$iLen &＃61; strlen(preg_replace(&＃39;/[\x{4e00}-\x{9fa5}]/u&＃39;, &＃39;xxx&＃39;, $sInput));
这样取到的长度就是ASCII长度。
等等&＃xff0c;慢着&＃xff0c;这里是不是少敲或者多敲了个x&＃xff1f;怎么是三个&＃xff1f;难道是您眼花了&＃xff1f;
嘿嘿&＃xff0c;俺还真没敲错&＃xff0c;这里就是三个字符&＃xff0c;
首先&＃xff0c;一个[]中的东东就是匹配一个字符&＃xff08;汉字也是一个字符&＃xff09;&＃xff1b;
其次&＃xff0c;到底应该用几个x&＃xff0c;当然跟一个汉字具体是占几个字符有关&＃xff0c;而这个严格说来是系统相关的&＃xff0c;因为与系统中采用的编码有关&＃xff0c;如果采用的是比较通用的utf-8编码的话&＃xff0c;就应该是三个&＃xff0c;如果是gb或者gbk的话&＃xff0c;就应该是两个。

下面这个是一篇写的很好的正则表达式介绍&＃xff1a;
http://unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm

&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;我是转载的分界线&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;&＃xff1d;
来源&＃xff1a;http://hi.baidu.com/comdeng/blog/item/f272362e47ce29564ec226c5.html
在javascript中&＃xff0c;要判断字符串是中文是很简单的。比如&＃xff1a;
var str &＃61; "php编程";
if (/^[\一-\龥]&＃43;$/.test(str)) {
alert("该字符串全部是中文");
} else {
alert("该字符串不全部是中文");
}

想当然的&＃xff0c;在php中来判断字符串是否为中文&＃xff0c;就会沿袭这个思路&＃xff1a;
$str &＃61; "php编程";
if (preg_match("/^[\一-\龥]&＃43;$/",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}
?>

不过&＃xff0c;很快就会发现&＃xff0c;php并不支持这样的表达&＃xff0c;报错&＃xff1a;
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

刚开始从google上查了很多次&＃xff0c;想从php正则表达式对于十六进制数据的表达方式上进行突破&＃xff0c;发现在php中&＃xff0c;是用\x表示十六进制数据的。于是&＃xff0c;变换成如下的代码&＃xff1a;
$str &＃61; "php编程";
if (preg_match("/^[\x4e00-\x9fa5]&＃43;$/",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}
貌似不报错了&＃xff0c;判断的结果也正确&＃xff0c;不过把$str换成“编程”两字&＃xff0c;结果却还是显示“该字符串不全部是中文”&＃xff0c;看来这样的判断还是不够准确。

后来跑回百度搜“php 匹配汉字 utf 8”&＃xff0c;发现文章的匹配程度竟然要比google的高多了&＃xff0c;看来百度的“百度更懂中文”还在一定程度上是正确的。在第二篇文章《★★★ 求UTF8下匹配汉字的正则, 在线等.........》中看到了如下的一些内容&＃xff1a;

楼主zhiin&＃xff08;┈ Jcan ┈&＃xff09;2006-11-15 15:59:30 在 Web 开发 / PHP 提问

求UTF8下匹配汉字的正则,   不包括全角字符及特殊符号!
  
网上只能找到匹配全角字符的正则:   ^[\x80-\xff]*^/   
[\一-\龥]可以匹配中文,但是PHP又不支持   
  
郁闷中.......

1 楼PleaseDoTellMeWhy&＃xff08;Allah bless you!&＃xff09;回复于 2006-11-15 16:04:55 得分 11

chr(0xa1)   .   &＃39;-&＃39;   .   chr(0xff)可以匹配所有中文,但是不知道在UTF-8下如何!Top
2 楼zhiin&＃xff08;┈ Jcan ┈&＃xff09;回复于 2006-11-15 16:11:34 得分 0

即使在gb2312下,   chr(0xa1)   .   &＃39;-&＃39;   .   chr(0xff)   也不对
它把全角符号也匹配进来了Top
3 楼xuzuning&＃xff08;唠叨&＃xff09;回复于 2006-11-15 16:19:56 得分 90

模式修正符&＃xff1a;   u  

按照这几位提供的线索逐个试了一下&＃xff0c;发现还真的如他们所说&＃xff0c;可能还跟编码有关系&＃xff0c;因此需要了解一下模式修正符的相关知识——于是继续搜索百度。

在一篇《模式修正符》的文章中了解到&＃xff1a;