PHP 的 PCRE 正則引擎默認按**字節**匹配,對多字節字符(UTF-8 中文 3 字節、Emoji 4 字節)會產生錯誤結果。關鍵在於添加 u (PCRE_UTF8) 修飾符,強制按 **Unicode 代碼點** 匹配。
<?php
// 錯誤:將中文視為多個單字節字符
var_dump(preg_match('/^[\\x{4e00}-\\x{9fa5}]+$/', '中國')); // int(0) 錯誤!
var_dump(preg_match('/^\\w+$/', '中國')); // int(0) \w 不匹配中文
// 甚至導致非預期匹配
var_dump(preg_match('/.{2,32}/', '中國')); // int(1) 實際匹配了 6 個字節!
?>
<?php
// 正確:按 Unicode 字符匹配
var_dump(preg_match('/^[\\x{4e00}-\\x{9fa5}]+$/u', '中國')); // int(1) ✓
var_dump(preg_match('/^\\p{Han}+$/u', '中國')); // int(1) 使用 Unicode 屬性 \p{Han} 匹配漢字
// 通用「字符」匹配:\X (匹配任意 Unicode 擴展字形簇,含 Emoji 組合)
var_dump(preg_match('/^\\X{2,32}$/u', '中國')); // int(1)
var_dump(preg_match('/^\\X{2,32}$/u', '👨👩👧👦')); // int(1) 家庭 Emoji 為 1 個字形簇
// 多語言測試
$tests = [
'阿拉伯文' => 'مرحبا',
'日文' => '日本語',
'韓文' => '한국어',
'俄文' => 'Привет',
'Emoji' => '🎉🚀❤️',
'混合' => 'Hello 世界 🌍',
];
foreach ($tests as $lang => $str) {
echo "$lang: " . (preg_match('/^\\X+$/u', $str) ? '全字符' : '含非字符') . "
";
}
?>
| 屬性 | 含義 | 示例 |
|---|---|---|
| \p{L} / \p{Letter} | 任意字母 | 中英日韓俄等所有文字 |
| \p{Han} | 漢字(中文、日文漢字、韓文漢字) | 中文漢字 |
| \p{Hiragana} | 日文平假名 | ひらがな |
| \p{Katakana} | 日文片假名 | カタカナ |
| \p{Hangul} | 韓文諺文 | 한글 |
| \p{Cyrillic} | 西里爾字母(俄文等) | Привет |
| \p{Arabic} | 阿拉伯字母 | العربية |
| \p{N} / \p{Number} | 任意數字 | 0-9, Ⅷ, ١٢٣ |
| \p{P} / \p{Punctuation} | 標點符號 | .,!?、。,「」 |
| \p{Z} / \p{Separator} | 空白字符(空格、換行、零寬空格等) | |
| \p{Emoji} | Emoji 字符 (PCRE 10.32+/PHP 8.1+) | 😀🎉 |
| \p{Extended_Pictographic} | 擴展圖形字符(含 Emoji 組件) |
<?php
function validateUsername(string $username): bool
{
// ^ 開始 $ 結尾
// \p{L} 任意字母 \p{N} 任意數字 _ 下劃線
// {2,20} 長度 2-20 個 Unicode 字符
return (bool)preg_match('/^[\\p{L}\\p{N}_]{2,20}$/u', $username);
}
var_dump(validateUsername('张三')); // true
var_dump(validateUsername('JohnDoe123')); // true
var_dump(validateUsername('ユーザー')); // true
var_dump(validateUsername('a')); // false (太短)
var_dump(validateUsername('user@name')); // false (含 @)
var_dump(validateUsername('😀😀')); // false (Emoji 非 Letter/Number)
?>
<?php
$text = 'PHP 8.1 發布了!新特性:Enum、Fiber、Never 返回類型。🎉';
// 提取所有漢字詞語(連續漢字)
preg_match_all('/\\p{Han}+/u', $text, $matches);
print_r($matches[0]);
/*
Array
(
[0] => PHP <-- 注意:PHP 字母不屬於 \p{Han}
[1] => 新特性
[2] => Enum <-- 英文也不屬於
...
)
實際輸出僅漢字:
Array
(
[0] => 新特性
[1] => 返回類型
)
*/
// 正確提取「中文詞語」(含標點內的漢字序列)
preg_match_all('/[\\p{Han}\\p{P}]+/u', $text, $matches);
print_r($matches[0]);
/*
Array
(
[0] => PHP 8.1 發布了!
[1] => 新特性:
[2] => Enum、
[3] => Fiber、
[4] => Never 返回類型。
)
*/
?>
| 修飾符 | 常量 | 作用 |
|---|---|---|
| u | PCRE_UTF8 | **核心**:將模式和目標字符串視為 UTF-8,按 Unicode 代碼點匹配。處理多語言必加。 |
| i | PCRE_CASELESS | 大小寫不敏感(Unicode 感知,如 ß ≡ SS)。 |
| s | PCRE_DOTALL | 點號 . 匹配換行符。 |
| m | PCRE_MULTILINE | ^/$ 匹配行首/行尾(而非字符串首尾)。 |
| x | PCRE_EXTENDED | 忽略模式中的空白、允許註釋 #...,提高可讀性。 |
| J | PCRE_DUPNAMES | 允許重複命名子組 (?<name>...)。 |
u 修飾符會帶來微小性能開銷(UTF-8 解碼),但對正確性至關重要,**不要為了性能省略**。preg_match_all('/pattern/u', $str) 而非變量插值,PCRE 會緩存編譯結果。mb_ereg 系列(基於 Oniguruma,對 Unicode 支援更完善)或分塊處理。掌握 u 修飾符與 Unicode 屬性類別,是 PHP 正確處理國際化文本的基石。