中文在UTF8和GBK编码中的范围

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
x80-xff 中文

2. UTF-8 (Unicode)

u4e00-u9fa5 (中文)
x3130-x318F (韩文)
xAC00-xD7A3 (韩文)
u0800-u4e00 (日文)
ps: 韩文是大于[u9fa5]的字符

正则例子（使用PHP）:

preg_replace(“/([x80-xff])/”,”",$str);    //GBK中匹配
preg_replace(“/([u4e00-u9fa5])/”,”",$str);    //UTF8中匹配

另外一些：

有时候我们也会用到全角英文、特殊符号等
全角英文的UTF8是: uff21 – uff5a ，是从大写A开始到小写的z。
utf8中的 uff20是@
utf8中的 uff01到 uff09是我们美式键盘上shift + 从1到9键上的特殊符号。要注意的是因为@是 uff20，所以 uff02是双引号，同时6的……是两个符号的组合，所以也不存在，正题提前一位（也就是说ff06是＆， ff09是））。
utf8中的全角数字是 uff10 – uff19 ，对应关系自然是０ – ９ 。

---

UTF-8 中文编码范围

主流的匹配字符有两种 [\u4e00-\u9fa5]和[\u2E80-\u9FFF]，后者范围更广，包括了日韩地区的汉字

import re

pattern = re.compile("[\u2E80-\u9FFF]+")
result = pattern.findall('<a target="_blank" href="http://m.weibo.com/web/cellphone.php#iphone"  suda-uatrack="" key=''index_new_menu&value=sina_apps_list_click">新浪微博</a>')
print(result)

['新浪微博']