最近老板叫做一個數據查重的小練習，涉及從一個包含中文字段的文件中提取出其中的中文字段并存儲，使用php開發。中間涉及到php正則表達式中文匹配的問題，網上搜羅一大片，但是也很亂沒有一個準信兒，經過自己的代碼的修改和檢驗，先將extract函數寫下。

首先要注意到的是，雙字節字符的編碼問題，這里我們以后還可能會遇到像韓文、日文等編碼問題，與中文理解上是一個意思。

1. GBK (GB2312/GB18030)

復制代碼 代碼如下:

\x00-\xff GBK雙字節編碼范圍

\x20-\x7f ASCII

\xa1-\xff 中文 gb2312

\x80-\xff 中文 gbk

2. UTF-8 (Unicode)

復制代碼 代碼如下:

\u4e00-\u9fa5 (中文)

\x3130-\x318F (韓文

\xAC00-\xD7A3 (韓文)

\u0800-\u4e00 (日文)

在Notepad++下面，我們可以首先進行測試我們的正則書寫的錯誤與否。第一個表達式我是使用[\u4e00-\u9fa5]+來檢驗的，+號表示不止一個

匹配符。結果與預期相同，那么，是否在腳本中就可以使用這個正則了呢？

我們測試一下，我們使用preg_match_all(‘/[\u4e00-\u9fa5]+/', $subject,$matches)調用，然后你卻看到了這么一個結果：Compilation failed: PCRE does not support \L, \l, \N{name}, \U, or \u at offset 2。。。。是不是很頭大？？這究竟是什么原因？

查閱了很多資料后發現，u (PCRE_UTF8)，就是上面的PCRE，這是是一個Perl庫，包括 perl 兼容的正規表達式庫。此修正符啟用了一個 PCRE 中與 Perl 不兼容的額外功能。模式字符串被當成 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正則表達式對于十六進制數據的表達方式上也有所不同，在php中，是用\x表示十六進制數據的。下面我們就將代碼優化一下，檢測函數變為：

復制代碼 代碼如下:

class storeDataAdapter extends Store{

private $dsData;

/**

* 數據轉換函數，調用preg_match_all根據$pattern正則來進行數值匹配，并將返回的結果以數組形式存儲在$matches中，

* $matches[0]將包含與整個模式匹配的文本，$matches[1] 將包含與第一個捕獲的括號中的子模式所匹配的文本，以此類推

* @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;

}

}

}

調用的時候變為：

復制代碼 代碼如下:

$store=new storeDataAdapter($txtContent);

$match=array();

$dsName=$store->data_convert(‘/[\x7f-\xff]+/',$txtContent);

foreach ($dsName as $val){

echo $val."<br>";

}

輸入文件為：

，下面是提取出中文之后的輸出文件內容：

，符合預期需求。

總結

以上是生活随笔為你收集整理的北风网php笔记正则表达式,PHP中使用正则表达式提取中文实现笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。