PHP中使用正则表达式提取中文实现笔记

最近老板叫做一个数据查重的小练习，涉及从一个包含中文字段的文件中提取出其中的中文

最近老板叫做一个数据查重的小练习，涉及从一个包含中文字段的文件中提取出其中的中文字段并存储，使用php开发。中间涉及到php正则表达式中文匹配的问题，网上搜罗一大片，但是也很乱没有一个准信儿，经过自己的代码的修改和检验，先将extract函数写下。

首先要注意到的是，双字节字符的编码问题，这里我们以后还可能会遇到像韩文、日文等编码问题，与中文理解上是一个意思。

1. GBK (GB2312/GB18030)

\x00-\xff GBK双字节编码范围   
\x20-\x7f ASCII   
\xa1-\xff 中文 gb2312   
\x80-\xff 中文 gbk   

  2. UTF-8 (Unicode)

 
\u4e00-\u9fa5 (中文)   
\x3130-\x318F (韩文   
\xAC00-\xD7A3 (韩文)   
\u0800-\u4e00 (日文)  

在Notepad++下面，我们可以首先进行测试我们的正则书写的错误与否。第一个表达式我是使用[\u4e00-\u9fa5]+来检验的，+号表示不止一个

匹配符。结果与预期相同，那么，是否在脚本中就可以使用这个正则了呢？

我们测试一下，我们使用preg_match_all(‘/[\u4e00-\u9fa5]+/', $subject,$matches)调用，然后你却看到了这么一个结果：Compilation failed: PCRE does not support \L, \l, \N{name}, \U, or \u at offset 2。。。。是不是很头大？？这究竟是什么原因？

查阅了很多资料后发现，u (PCRE_UTF8)，就是上面的PCRE，这是是一个Perl库，包括 perl 兼容的正规表达式库。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。而php正则表达式对于十六进制数据的表达方式上也有所不同，在php中，是用\x表示十六进制数据的。下面我们就将代码优化一下，检测函数变为：

 class storeDataAdapter extends Store{   
        private $dsData;   
        /**  
         * 数据转换函数，调用preg_match_all根据$pattern正则来进行数值匹配，并将返回的结果以数组形式存储在$matches中，  
         * $matches[0]将包含与整个模式匹配的文本，$matches[1] 将包含与第一个捕获的括号中的子模式所匹配的文本，以此类推  
         * @see Store::data_convert()  
         */  
        public function data_convert($pattern,$subject) {   
            $matches=array();   
            if (preg_match_all($pattern, $subject,$matches)){   
                return $matches[0];   
            }else    
            {   
                return null;   
            }   
        }   
    }  

调用的时候变为：

 $store=new storeDataAdapter($txtContent);   
    $match=array();   
    $dsName=$store->data_convert(‘/[\x7f-\xff]+/',$txtContent);   
    foreach ($dsName as $val){   
        echo $val."<br>";   
    }   

输入文件为：

，下面是提取出中文之后的输出文件内容：

，符合预期需求。

PHP 正则表达式 提取中文