萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> PHP 程式設計

PHP 判斷中英文字符:編碼無關的 Unicode 正則方案

核心問題

傳統依賴 ASCII/GBK 範圍判斷 (如 chr(0xA1)-chr(0xFF)) **強依賴腳本編碼**,在 UTF-8 環境下失效。現代 PHP (5.4+) 內建 UTF-8 支援,應直接使用 **Unicode 代碼點範圍** 正則,編碼無關、準確可靠。

Unicode 字符範圍速查

字符集Unicode 範圍正則片段
基本拉丁字母 (英文、數字、符號)U+0000 - U+007F[\x00-\x7F]
中日韓統一表意文字 (CJK Unified Ideographs)U+4E00 - U+9FFF\x{4E00}-\x{9FFF}
中日韓擴展 AU+3400 - U+4DBF\x{3400}-\x{4DBF}
中日韓兼容/補充U+F900 - U+FAFF, U+20000 - U+2FFFF\x{F900}-\x{FAFF}
韓文諺文U+AC00 - U+D7AF\x{AC00}-\x{D7AF}
日文平/片假名U+3040 - U+30FF\x{3040}-\x{30FF}
全形符號/標點U+FF00 - U+FFEF\x{FF00}-\x{FFEF}

實用判斷函數庫

<?php
/**
 * 檢查字串是否**純粹**由指定 Unicode 範圍組成
 * @param string $str UTF-8 字串
 * @param string $pattern 正則字符類別,如 '\p{Han}' 或 '\x{4E00}-\x{9FFF}'
 * @return bool
 */
function isPure(string $str, string $pattern): bool {
    return (bool)preg_match('/^' . $pattern . '+$/u', $str);
}

/** 是否包含中文 (漢字) */
function hasChinese(string $str): bool {
    return (bool)preg_match('/\p{Han}/u', $str); // \p{Han} 涵蓋所有 CJK 統一表意文字
}

/** 是否純中文 (無英文數字標點) */
function isPureChinese(string $str): bool {
    return isPure($str, '\p{Han}');
}

/** 是否純英文字母數字底線 */
function isAlnumUnderscore(string $str): bool {
    return isPure($str, '[\p{L}\p{N}_]'); // Unicode 字母+數字+底線
}

/** 統計中英文字符數 */
function countCharTypes(string $str): array {
    $len = mb_strlen($str, 'UTF-8');
    $chinese = 0; $english = 0; $digit = 0; $other = 0;
    for ($i = 0; $i < $len; $i++) {
        $ch = mb_substr($str, $i, 1, 'UTF-8');
        if (preg_match('/\p{Han}/u', $ch)) $chinese++;
        elseif (preg_match('/\p{L}/u', $ch)) $english++;
        elseif (preg_match('/\p{N}/u', $ch)) $digit++;
        else $other++;
    }
    return ['total'=>$len, 'chinese'=>$chinese, 'english'=>$english, 'digit'=>$digit, 'other'=>$other];
}

/** 截取混合字串 (按字符數而非位元組) */
function mbSubstrMix(string $str, int $start, int $length = null): string {
    return mb_substr($str, $start, $length ?? mb_strlen($str), 'UTF-8');
}

測試範例

$tests = [
    'Hello World',
    '你好世界',
    'Hello你好123',
    'hello', // 全形英文
    '😀🎉',       // Emoji (Supplementary Plane)
];

foreach ($tests as $t) {
    echo "字串: $t\n";
    echo "  含中文: " . (hasChinese($t) ? '是' : '否') . "\n";
    echo "  純中文: " . (isPureChinese($t) ? '是' : '否') . "\n";
    echo "  純英數底線: " . (isAlnumUnderscore($t) ? '是' : '否') . "\n";
    print_r(countCharTypes($t));
    echo "\n";
}

輸出示例

字串: Hello World
  含中文: 否
  純中文: 否
  純英數底線: 是
  Array ( [total]=>11 [chinese]=>0 [english]=>10 [digit]=>0 [other]=>1 )

字串: 你好世界
  含中文: 是
  純中文: 是
  純英數底線: 否
  Array ( [total]=>4 [chinese]=>4 [english]=>0 [digit]=>0 [other]=>0 )

字串: 😀🎉
  含中文: 否
  純中文: 否
  純英數底線: 否
  Array ( [total]=>2 [chinese]=>0 [english]=>0 [digit]=>0 [other]=>2 )

關鍵正則修飾符 /u (PCRE_UTF8)

  • **必須加上 u 修飾符**,告訴 PCRE 引擎按 UTF-8 解析 pattern 和 subject。
  • 否則 \x{4E00} 會被視為字面字元,\p{Han} 失效。
  • PHP 檔案本身必須以 **UTF-8 無 BOM** 儲存。

效能提示

  • 大量文本處理時,預編譯正則或使用 preg_match_all 一次性掃描。
  • 單純檢測「是否包含中文」用 preg_match('/\p{Han}/u', $str) 即可,極快。
  • 避免在循環中逐字符 preg_match,改用 mb_strlen + mb_substr 迭代或 preg_match_all('/\p{Han}/u', $str, $m) 計數。
copyright © 萬盛學電腦網 all rights reserved