php中utf-8编码下用正则表达式如何匹配汉字

发布时间：2014-09-05 11:02:40作者：知识屋

Compilation failed: PCRE does not support /L, /l, /N{name}, /U, or /u

php中utf-8编码下用正则表达式如何匹配汉字 - InSun - Minghacker is Insun

   //array('username', 'match', 'pattern' => '/^[A-Za-z0-9_]+$/u','message' => Yii::t('user','{attribute}非法!')),
   //array('username', 'match', 'pattern' => '/^(?!_)(?!.*?_$)[a-zA-Z0-9_/u4e00-/u9fa5]+$/u','message' => Yii::t('user','{attribute}非法!')),
   array('username', 'match', 'pattern' => '/^(?!_)(?!.*?_$)[a-zA-Z0-9_//x{4e00}-/x{9fa5}]+$/u','message' => Yii::t('user','{attribute}非法!')),

正则中中文字符的匹配要用/x{4e00}-/x{9fa5} 而不是/u4e00-/u9fa5

=================================================================================================
php正则表达式详解
http://space.itpub.net/16555225/viewspace-497780
http://www.haogongju.net/art/994560
由数字、26个英文字母、下划线或汉字的正则表达式
http://hi.baidu.com/liu19871112/blog/item/eae9bd3245c88a5cad4b5fa8.html

php中utf-8编码下用正则表达式如何匹配汉字
http://hi.baidu.com/comdeng/blog/item/f272362e47ce29564ec226c5.html
在javascript中，要判断字符串是中文是很简单的。比如：
var str = "php编程";
if (/^[/u4e00-/u9fa5]+$/.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
$str = "php编程";
if (preg_match("/^[/u4e00-/u9fa5]+$/",$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]*^/
[/u4e00-/u9fa5]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");
}

知道了php中utf-8编码下用正则表达式匹配汉字的最终正确表达式——/^[/x{4e00}-/x{9fa5}]+$/u，于是我又用这个表达式去百度搜索，发现竟然还真有别人得出过这样正确的结论，只不过通过常规的方式很难找到而已，而且仅仅搜到有一篇——《用正则删除汉字》，看来互联网上对于信息的正确性的筛选还是亟待加强的。

ps：对google不死心，也搜索了一下，又发现了一篇文章《php常用类》，还是在百度空间的，呵呵，有意思

（免责声明：文章内容如涉及作品内容、版权和其它问题，请及时与我们联系，我们将在第一时间删除内容，文章内容仅供参考）