- 使用php在匹配中文的时候不能使用 \w 来匹配,可以使用元字符 . 来粗略匹配中文
- 精确匹配中文时需要考虑编码环境,gb2312和 utf-8。这两种编码有什么区别呢 ? 最主要的就是gb2312编码的汉字占两个字节,而utf-8编码的汉字占3个字节。
一、好了,下面进入正题,如果你想匹配中文的话,可以采用下面的表达式:
utf-8编码:
- [\x{4e00}-\x{9fa5}]
- /[\x{4e00}-\x{9fa5}]{5}/u
二、通过上面的表达式我们可以匹配一段模糊的中文,那如果我们想要匹配精准的某个字或者词语呢 ?例如,我在做教务处爬虫时,抓取到的成绩不仅仅只是数字,还有优秀、通过、良好等。这种我们总不能漏掉吧? 可以使用下面的方式来匹配:
1. 先将汉字转换成为16进制Unicode编码,可以在这个网站方便的转换:Unicode与中文互转 16进制Unicode编码转换、还原
例如我们将 优秀 两个字转换成了该编码,为 : \u4f18\u79c0
2. 匹配 优秀 两个汉字的正则表达式如下:
- /\x{4f18}\x{79c0}/u
想必大家应该已经明白了,拿到16进制编码后,有这么几步,将u改为x, 再将具体的16进制编码加上{ },最后不要忘记加上u
三、包含换行段落的匹配
先给出一段需匹配的代码:
- <span style="white-space:pre"> </span><tr class="H">
- <td class="td0" style='width:5%;padding:0px;' colspan='2'></td>
- <td class='td0' style="width:13%;height:20px;">
- 星期一
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期二
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期三
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期四
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期五
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期六
- </td>
- <td class='td0' style="width:13%;height:20px;">
- 星期日
- </td>
- <span style="white-space:pre"> </span></tr>
我一开始尝试的方法是从<tr>匹配到</tr>, 将其中的汉字全部抓出来 ,但很不幸,失败了。原因就是在于其中的换行,那我们怎样才能匹配包含换行的文本呢 ?其实方法很简单,只要使用这个表达式:/[.\s\S]*/
我曾经试过使用 /[.\n]/ 来匹配,但是并不可以。上面的表达式完美的解决了问题。
JavaScript正则表达式在线测试工具:
http://tools.jb51.net/regex/javascript
正则表达式在线生成工具:
http://tools.jb51.net/regex/create_reg