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 中文正則表達式完全指南(GBK/UTF-8 雙模式)

核心結論先行

編碼匹配單個漢字匹配純漢字字符串判斷包含漢字
GBK / GB2312/[\\x81-\\xfe][\\x40-\\xfe]//^([\\x81-\\xfe][\\x40-\\xfe])+$//[\\x81-\\xfe][\\x40-\\xfe]/
UTF-8/[\\x{4e00}-\\x{9fa5}]/u/^[\\x{4e00}-\\x{9fa5}]+$/u/[\\x{4e00}-\\x{9fa5}]/u

關鍵點: UTF-8 模式**必須加 u 修飾符**,否則按字節匹配導致錯誤;GBK 模式無需修飾符。

GBK 編碼詳解

GBK 雙字節編碼:首字節 0x81-0xFE,尾字節 0x40-0xFE(排除 0x7F)。

1. 判斷字符串是否全為漢字

$str = '全部是漢字測試';
if (preg_match('/^([\\x81-\\xfe][\\x40-\\xfe])+$/', $str)) {
    echo '全部是漢字';
} else {
    echo '不全是漢字';
}

2. 判斷字符串是否包含漢字

$str = '漢字3測試';
if (preg_match('/[\\x81-\\xfe][\\x40-\\xfe]/', $str)) {
    echo '含有漢字';
} else {
    echo '不含有漢字';
}

UTF-8 編碼詳解

Unicode CJK 統一表意文字基本區:U+4E00 - U+9FA5(20902 個常用漢字)。PHP 正則需用 \\x{....} 表示 Unicode 碼位,並加 u 修飾符啟用 UTF-8 模式。

1. 判斷純中文字符串

$str = 'php編程';
if (preg_match('/^[\\x{4e00}-\\x{9fa5}]+$/u', $str)) {
    echo '該字符串全部是中文';
} else {
    echo '該字符串不全部是中文';
}

2. 提取所有中文詞彙

$str = '學習PHP是一件快樂的事。';
preg_match_all('/[\\x{4e00}-\\x{9fa5}]+/u', $str, $matches);
print_r($matches[0]);
/* 輸出:
Array
(
    [0] => 學習
    [1] => 是一件快樂的事
)
*/

擴展:匹配更廣泛的 CJK 字符

  • 擴展區 A:\\x{3400}-\\x{4DBF}(罕用字)
  • 擴展區 B:\\x{20000}-\\x{2A6DF}(需 PHP 7.0+ 支持 Unicode 10+)
  • 韓文:\\x{AC00}-\\x{D7A3}(音節)、\\x{1100}-\\x{11FF}(字母)
  • 日文:\\x{3040}-\\x{309F}(平假名)、\\x{30A0}-\\x{30FF}(片假名)、\\x{4E00}-\\x{9FA5}(漢字)

綜合匹配中日韓文本:

/[\\x{4e00}-\\x{9fa5}\\x{3400}-\\x{4dbf}\\x{20000}-\\x{2a6df}\\x{ac00}-\\x{d7a3}\\x{3040}-\\x{30ff}]/u

常見坑與避雷指南

  1. 忘記 u 修飾符:UTF-8 下會按單字節匹配,導致誤匹配或漏匹配。
  2. 文件編碼與正則編碼不一致:PHP 源文件必須保存為 UTF-8 無 BOM,且正則模式字符串編碼與被匹配字符串編碼一致。
  3. 使用 . 匹配任意字符:. 默認不匹配換行,且 UTF-8 下匹配的是字節而非字符,極易出錯。請用具體字符類別。
  4. PCRE 回溯限制:超長字符串匹配可能觸發 pcre.backtrack_limit,導致匹配失敗靜默返回 false。大文本處理建議分塊或用專用分詞庫(如 jieba-php)。

現代替代方案

複雜中文分詞、詞性標註、實體識別請使用專業 NLP 庫:

  • jieba-php:結巴分詞 PHP 移植版,純 PHP 實現,無擴展依賴。
  • scws:簡體中文分詞系統,C 擴展,性能極高。
  • HanLP:Java 生態,可通過 RPC/gRPC 調用。
copyright © 萬盛學電腦網 all rights reserved