PHP匹配UTF-8中文字符的正则表达式

sakko51150

　　
<script type="text/javascript"><!--
google_ad_client = "pub-0241434510974184";
/* auto-http.cn 右边 ,468x60 */
google_ad_slot = "0902256228";
google_ad_width = 468;
google_ad_height = 60;
// --></script><script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"></script>
　　急着用的朋友可以先拿去用，这个正则非原创，但是经过我的修改，如有问题，请回复告知，代码是写给PHP初学者的，高手请自抠正则。

<meta http-equiv="Content-Type" Content="text/html; charset=utf-8">
<?php
$word = "中文";
if (preg_match("/^([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){1}/",$word) == true || preg_match("/([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){1}$/",$word) == true || preg_match("/([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){2,}/",$word) == true)
{
echo "很好，这是一个UTF-8编码的汉字";
}
else
{
echo "抱歉，这不是一个UTF-8编码的汉字";
}
?>



　　先不要被上面那个稀奇古怪的代码吓到，看完这篇文章以后，你就不会觉得它了不起了：）另外，本文不会卖弄大量的关于编码的概念，如果需要额外的扩展阅读，请通过google查找，相信一定能够满足您的阅读需求。
　　关于编码：
　　上海的邮政编码是200000 ，上海的地理编码（经纬度）是lat:31.2356；lng:121.4728，上海的电话编码（国际区号）是：086021。类比在计算机里面，“汉”字的gb2312编码是：1011 1010 1011 1010（16进制：BABA）；“汉”字的Unicode编码是 0110 1100 0100 1001（16进制：6C49）；“汉”字的UTF-8编码是1110 0110 1011 0001 1000 1001 （16进制：E6B189）。所以，不同的汉字，在不同的编码方式下，表示的方法也是不一样的。
　　关于unicode：
　　随着全球化的到来，全球性的的沟通变得异常的普遍，在互联网的世界里，为了能够让用户方便的访问全世界不同地域，不同文字（编码）的站点，历史上先后有两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。于是，真正意义上的Unicode孕育而生。
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。简单的说Unicode是一种可以容纳全世界所有语言文字的编码方案。
　　unicode编码在前面已经看到了，补充一点，有的时候还会用10进制中文字符，所以“汉”字还有可能是这个样子：27721

<script>
document.write("汉".charCodeAt());//显示27721
</script>



　　关于UTF-8：
　　UTF-8是unicode编码的扩展（也可以说是子集：Unicode Translation Format），由Ken Thompson于1992年创建，只要将某个字符的unicode编码一一插入相应的空位（刚好有16个空位）就可以成为一个UTF-8编码，细心的研究一下刚才给出的“汉”字的例子，你就能发现这一点。

1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _


　　好了，我们现在已经了解了关于unicode，编码和UTF-8的相关知识（虽然并不全面），但是我们还需要一些工具：
　　一个进制转换的页面（觉得麻烦的话可以google现成的）：

<meta http-equiv="Content-Type" Content="text/html; charset=utf-8">
<script>
var hex = new Array("0", "1", "2", "3", "4", "5", "6", "7", "8", "9", "A", "B", "C", "D", "E", "F");
function CKparseInt(n, r) {
for (var i = 0; i < n.length; ++i)
if (n.charAt(i) >= r) {
alert("格式错");
return 0;
}
if (isNaN(M = parseInt(n, r)))
alert ("格式错");
return M;
}
function DecimaltoAnother(A, radix) {
s = "";
while (A >= radix) {
s += hex[A % radix];
A = Math.floor(A / radix);
}
return transpose(s += hex[A]);
}
function transpose(s) {
N = s.length;
for (i = 0,t = ""; i < N; i++)
t += s.substring(N-i-1, N-i);
return t;
}
function EvalAny(item, r) {
M = CKparseInt(item.value, r);
for (var i = 0, MyForm = document.forms[0]; i < MyForm.length; ++i)
MyForm.elements.value = DecimaltoAnother(M, MyForm.elements.name.substr(1,3));
}
</script>
<center>
<h3>进制转换</h3>
<br>
<form method="post">
<table border=0 align=center>
<tr>
<td align=right>
<p>二进制:</p>
</td>
<td><input name="b002" value="0" onChange="EvalAny(this, 2)" size=27></td>
</tr>
<tr>
<td align=right>三进制:</td>
<td><input name="t003" value="0" onChange="EvalAny(this, 3)" size=21></td>
</tr>
<tr>
<td align=right>五进制:</td>
<td><input name="q005" value="0" onChange="EvalAny(this, 5)" size=16></td>
</tr>
<tr>
<td align=right>八进制:</td>
<td><input name="o008" value="0" onChange="EvalAny(this, 8)" size=12></td>
</tr>
<tr>
<td align=right>十进制:</td>
<td><input name="d010" value="0" onChange="EvalAny(this, 10)" size=11></td>
</tr>
<tr>
<td align=right>十六进制:</td>
<td><input name="h016" value="0" onChange="EvalAny(this, 16)" size=8></td>
</tr>
</table>
</form>
</center>



　　一份编码对照表：
　　http://www.ansell-uebersetzungen.com/gbuni.html
　　准备好以后，我们就开始DIY匹配UTF-8中文字符的正则表达式，有能力的朋友可以不阅读下面的文章，自己对照正则表达式判断和分析过程（我一开始就是这么做的！），下面的进度比较快，对编码不了解的朋友需要借助参考资料阅读。
　　仔细研究《编码对照表》，你会发现unicode编码中的汉字编码区间是连续的，位于4E00和9FA0之间，用《进制转换页面》把16进制转换成2进制：

4E00 :  0100 1110 0000 0000
9FA0 :  1001 1111 1010 0000

　　上面的二进制编码就是要写入1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 的16个空位，就像：

1110 0100 1011 1000 1000 0000
1110 1001 1011 1110 1010 0000

　　将新组成的2进制形式UTF-8编码使用《进制转换页面》整理成16进制的（分析过程使用）格式：

1110 0100 1011 1000 1000 0000 : E4 B8 80
1110 1001 1011 1110 1010 0000 : E9 BE A0

　　精确拆分的结果如下：
　　第一段：E4 B8 80 到 E4 BF BF
第二段：E5 80 80 到 E8 BF BF
第三段：E9 80 80 到 E9 BE A0
　　正则的作者显然是为了编写的方便，将汉字的UTF-8编码集扩大为了：E4 80 80 到 E9 BF BF ，在对使用效果影响不大的情况下，我们也不妨简化处理：
　　[".chr(228)."-".chr(233)."]{1}表示一个E4（228的16进制表示）到E9之间的编码，[".chr(128)."-".chr(191)."]{1}表示80到BF之间的编码，于是就组成了 ([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){1}这个匹配UTF-8单个汉字的正则，最后经过修正，成为本文开始给出的表达式。
　　http://www.csask.com/blog/?p=20







php 扩展正则表达式函数 ereg



要激活 regexp 的支持在配置 PHP 时加上 --with-regex[=TYPE]。TYPE 可以是 system，apache 或 php 之一。默认使用 php。

PHP 的 Windows 版本已经内置该扩展模块的支持。无需加载任何附加扩展库即可使用这些函数。

运行时配置
本扩展模块在 php.ini 中未定义任何配置选项。

资源类型
本扩展模块未定义任何资源类型。

预定义常量
本扩展模块未定义任何常量。

范例
例子 1. 正则表达式例子


view plaincopy to clipboardprint?

• 
  <?php
  
• 
  //如果在$string中任何地方找到"abc"则返回&true;
  
• 
  ereg("abc",$string);
  
• 
  
  
• 
  //如果$string以"abc"开头则返回&true;
  
• 
  ereg("^abc",$string);
  
• 
  
  
• 
  //如果$string以"abc"结尾则返回&true;
  
• 
  ereg("abc$",$string);
  
• 
  
  
• 
  //如果用户浏览器是Netscape2，3或MSIE3则返回&true;
  
• 
  eregi("(ozilla.[23]|MSIE.3)",$HTTP_USER_AGENT);
  
• 
  
  
• 
  //将三个空格分隔的单词放入$regs[1]，$regs[2]和$regs[3]中
  
• 
  ereg("([[:alnum:]]+)([[:alnum:]]+)([[:alnum:]]+)",$string,$regs);
  
• 
  
  
• 
  //将<br/>标记放到$string开头
  
• 
  $string=ereg_replace("^","<br/>",$string);
  
• 
  
  
• 
  //将<br/>标记放到$string结尾
  
• 
  $string=ereg_replace("$","<br/>",$string);
  
• 
  
  
• 
  //删除$string中的所有换行符
  
• 
  $string=ereg_replace("/n","",$string);
  
• ?>