完善匹配中文的Php正则表达式

艾辉

　　这段时间试图使用php正则表达式(Perl 兼容正则表达式函数)处理中文文本信息，在匹配中文上遇到诸多问题，求助于网上的参考资料，然网文多良莠不齐，并存在诸多谬误，经过几天的探索和测试，终于总结出了几种可用方式的，写下供有兴趣者参考，为纷繁复杂的网文又增加一篇。1.       笼统的使用元字符匹配中文，/.*?/s，可匹配一段中文，这在ANSI(gb2312)和utf-8环境的程序代码都可以实现。但提醒一下，\w不能匹配中文。曾在一本《精通正则表达式》(人民邮电出版社，沙金编著)书上看到可以使用\w匹配中文，这里纠正一下用php不行。可以使用”/./”，”/[^\d]/”，”/[^a]/”，匹配中文字符。
2.       如果要精准匹配中文，即匹配纯中文字符，或匹配中文字符加上全角标点，则需要根据不同编码环境使用不同方法。下面以两种常用的编码(gb2312,utf-8)进行介绍：
在ANSI(gb2312)环境下，可使用[chr(0xnn)-chr(0xmm)]的方式匹配，如在一篇网文上就提供这样的方法，”/[".chr(0xb0)."-".chr(0xf7)."]+/”，这是可以使用的，但这太过笼统，这个表达式是匹配全部的gb2312编码表的字符（gb2312编码表http://hi.baidu.com/gaojinshan/blog/item/5a904010327e6609213f2e8d.html），既包括汉字、标点、日文平假名等，还有一些不知是什么符号的。而从编码表可以看出汉字的编码范围是0xb0a1-0xf7fe，并且gb2312是用两个字节进行编码的，每个字节最高位都是1 。所以可以藉此写出单纯匹配汉字的正则式：
"/([".chr(0xb0)."-".chr(0xf7)."][".chr(0xa1)."-".chr(0xfe)."])/" ，该表达式能匹配一个中文字符，数量关系就可以容易扩展了。
并且举一反三，如果想匹配全角标点而不匹配中文就可以这样写：
"/([".chr(0xa1)."-".chr(0xa3)."][".chr(0xa1)."-".chr(0xff)."])/"，就是匹配编码范围0xa1a1-0xa3ff内的符号。其他的类似。
3.       下面介绍utf-8环境下中文的匹配。类似于上面，也可以使用unicode编码表（全部编码表，http://hi.baidu.com/lbeny_hit/blog/item/bdb670efade0bffcb2fb95dc.html 。字体编辑用中日韩汉字Unicode编码表，http://www.chi2ko.com/tool/CJK.htm 。）来确定中文的匹配。由编码表可以看出，中文的编码范围是0x4e00-0x9fa5,于是正则式可以这样写：
"/[\x{4e00}-\x{9fa5}]/u" ，\x{nnnn}表示字符的十六进制形式，更多信息请自己查看php手册。要特别注意的是模式修正符u ，php手册里这样说：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。自 PHP 4.3.5 起开始检查模式的 UTF-8 合法性。这正是正确匹配所必须的。其实也想提醒一下，是utf-8环境使用元字符匹配字符串最好加上修正符u，这只是经验。
下面给两个例子：
(1)     ANSI编程环境下:
$strtest = “yyg中文字符yyg”;
$pregstr = "/([".chr(0xb0)."-".chr(0xf7)."][".chr(0xa1)."-".chr(0xfe)."])+/i";
if(preg_match($pregstr,$strtest,$matchArray)){
echo $matchArray[0];
}
//output:中文字符
(2)     Utf-8编程环境下:
$strtest = “yyg中文字符yyg”;
$pregstr = "/[\x{4e00}-\x{9fa5}]+/u";
if(preg_match($pregstr,$strtest,$matchArray)){
echo $matchArray[0];
}
//output:中文字符