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 正則表達式匹配多語言字符:preg_match 修飾符 u 實戰詳解

PHP preg_match 正確匹配 Unicode 字符(中文、日文、俄文等)

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。

錯誤示範:缺少 u 修飾符

<?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!
?>

正確示範:添加 u 修飾符

<?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') . "
"; } ?>

常用 Unicode 字符屬性 (\p{...}) 速查

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)

實戰場景:用戶名/暱稱驗證(允許中英數下劃線,2-20 字符)

<?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)
?>

實戰場景:過濾/提取中文內容

<?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。
)
*/
?>

關鍵修飾符總結

修飾符常量作用
uPCRE_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。
iPCRE_CASELESS大小寫不敏感(Unicode 感知,如 ß ≡ SS)。
sPCRE_DOTALL點號 . 匹配換行符。
mPCRE_MULTILINE^/$ 匹配行首/行尾(而非字符串首尾)。
xPCRE_EXTENDED忽略模式中的空白、允許註釋 #...,提高可讀性。
JPCRE_DUPNAMES允許重複命名子組 (?<name>...)。

性能提示

  • 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**。
  • 預編譯正則:重複使用的模式用 preg_match_all('/pattern/u', $str) 而非變量插值,PCRE 會緩存編譯結果。
  • 極大文本處理考慮 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。

copyright © 萬盛學電腦網 all rights reserved