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。
【说明】：本文章由站长整理发布，文章内容不代表本站观点，如文中有侵权行为，请与本站客服联系(QQ:)！