在PHP中使用正则表达式的经验

 

俺先招,这篇主体都是转的,但有一点点自己的小心得:下文中提到的匹配纯汉字的正则表达式是
/^[\x{4e00}-\x{9fa5}]+$/u
这有好几个小关窍:
1、通常情况(比如,JavaS cript)下应该是使用\u而不是\x,这两个的区别是,前者后面跟四个十六进制数,也就是一个Unicode码,而后者本来应该跟两个十六进制数,也就是一个字节。但是PHP中不支持\u,所以只好使用\x。
2、但是,\x后面本来应该只跟两个十六进制数,所以用上了大括号。
3、最后一定要记住/u,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?PHP中有一个非常奇怪的地方,就是其本身并不保证Unicode安全,但strlen却是按Unicode统计的,也就是说“中国”的长度是2而不是4,但是,要取子串的时候,substr就是按ASCII码来计算,这样一来自然就要乱套,所以,可以用下面这段代码:
$iLen = strlen(preg_replace('/[\x{4e00}-\x{9fa5}]/u', ' xxx', $sInput));
这样取到的长度就是ASCII长度。
等等,慢着,这里是不是少敲或者多敲了个x?怎么是三个?难道是您眼花了?
嘿嘿,俺还真没敲错,这里就是三个字符,
首先,一个[]中的东东就是匹配一个字符(汉字也是一个字符);
其次,到底应该用几个x,当然跟一个汉字具体是占几个字符有关,而这个严格说来是系统相关的,因为与系统中采用的编码有关,如果采用的是比较通用的utf-8编码的话,就应该是三个,如果是gb或者gbk的话,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:
http://unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm

===============我是转载的分界线=============
来源:http://hi.baidu.com/comdeng/blog/item/f272362e47ce29564ec226c5.html
在javas cript中,要判断字符串是中文是很简单的。比如:
var str = "php编程";
if (/^[\一-\龥]+$/.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,在php中来判断字符串是否为中文,就会沿袭这个思路:
<?php
$str = "php编程";
if (preg_match("/^[\一-\龥]+$/",$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,很快就会发现,php并不支持这样的表达,报错:
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,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,发现在php中,是用\x表示十六进制数据的。于是,变换成如下的代码:
$str = "php编程";
if (preg_match("/^[\x4e00-\x9fa5]+$/",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}
貌似不报错了,判断的结果也正确,不过把$str换成“编程”两字,结果却还是显示“该字符串不全部是中文”,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”,发现文章的匹配程度竟然要比google的高多了,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:

楼主zhiin(┈ Jcan ┈)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(Allah bless you!)回复于 2006-11-15 16:04:55 得分 11

chr(0xa1)   .   '-'   .   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(┈ Jcan ┈)回复于 2006-11-15 16:11:34 得分 0

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

模式修正符:   u  

按照这几位提供的线索逐个试了一下,发现还真的如他们所说,可能还跟编码有关系,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:

u (PCRE_UTF8)

此修正符启用了一个 PCRE 中与 Perl 不兼容的额外功能。模式字符串被当成 UTF-8。本修正符在 Unix 下自 PHP 4.1.0 起可用,在 win32 下自 PHP 4.2.3 起可用。
例子:
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:
$str = "php编程";
if (preg_match("/^[\x{2460}-\x{2468}]+$/u",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}

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:
$str = "php编程";
if (preg_match("/^[\x4e00-\x9fa5]+$/u",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}
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:
$str = "php编程";
if (preg_match("/^[\x{4e00}-\x{9fa5}]+$/u",$str)) {
print("该字符串全部是中文");
} else {
print("该字符串不全部是中文");
}
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值