PHP中使用正则表达式提取中文实现笔记

最近老板叫做一个数据查重的小练习，涉及从一个军衔包含中文字段的文件中提取出其中的中文字段并存储，使用php开发。中间涉及到php正则表达式中文匹配的问题，网上搜罗一大片，但是也很乱没有一个准信儿，经过自己的代码的修改和检验，先将extract函数写下。

首先要注意到的是，双字节字符的编码问题，这里我们以后还可能会遇到像韩文、日文等编码问题，与中文理解上是一个意思。

1. gbk (gb2312/gb1803land什么意思0)

复制代码 代码如下:

\x00-\xff gbk双字节编码范围

\x20-\x7f ascii

\xa1-\xff 中文 gb2312

\x80-\xff 中文 gbk



2. utf-8 (unicode)


复制代码 代码如下:

\u4e00-\u9中职生是什么意思fa5 (中文)

\x3130-\x318f (韩文

建党一百周年手抄报图片\xac00-\xd7a3 (韩文)

\u0800-\u4e00 (日文)

在notepad++下面，我们可以首先进行测试我们的正则书写的错误与否。第一个表达式我是使用[\u4e00-\u9fa5]+来检验的，+号表示不止一个

匹配符。结果与预期相同，那么，是否在脚本中就可以使用这个正则了呢？

我们测试一下，我们使用preg_match_all(‘/[\u4e00-\u9fa5]+/’, $subject,$matches)调用，然后你却看到了这么一个结果：compilation failed: pcre does not support \l, \l, \n{name}, \u, or \u at offt 2。。。。是不是很头大？？这究竟是什么原因？

查阅了很多资料后发现，u (pcre_utf8)，就是上面的pcre，这是是一个perl库，包括 perl 兼容的正规表达式库。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。而php正则表达式对于十六进制数据的表达方式上也有所不同，在php中，是用\x表示十六进制数据的。下面我们就将代码优化一下，检测函数变为：

复制代码 代码如下:

class storedataadapter extends store{

private $dsdata;

/**

* 数据转换函数，调用preg_match_all根据$pattern正则来进行数值匹配，并将返回的结果以数组形式存储在$matches中，

* $matches[0]将包含与整个模式匹配的文本，$matches[1] 将包含与第一个捕获的括号中的子模式所匹配的文本，以此类推

* @e store::data_convert()

*/

public function data_convert($pattern,$subject) {

$matches=array();

if (preg_match_all($pattern, $subject,$matches)){

return $matches[0];

}el

{

return null;

}

}

}

调用的时候变为：

复制代码 代码如下:

$store=new storedataadapter($txtcontent);

$match=array();

$dsname=$store->data_convert(‘/[\x7f-\xff美的微波炉菜谱]+/’,$txtcontent);

foreach ($dsname as $val){

echo $val.”<br>”;

}

输入文件为：

，下面是提取出中文之后的输出文件内容：

，符合预期需求。