因項目需求需要對帖子標題做去重判斷，前提是去除所有中英文標點符號。因為是老項目，gbk編碼，在直接使用正則匹配去除標點符號時，發現會有亂碼情況。在網上找了一些處理方法，多多少少都有些問題，滿足不了我的需求。但也受到了些許啟發，開始寫了一個實現方法，有些麻煩，需要urlencode。

/*** 去除字符串中的標點符號[gbk編碼環境]* @param $str* @return string*/ function punctFilter($str){//先去掉英文標點符號、空格等$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);//再匹配中文標點符號 直接進行中文標點符號匹配會亂碼，因此先編碼后匹配。//若以下標點還滿足不了需要，可搜索中文gbk編碼表,將對應標點符號加上即可。$pattern = '/(%a1%a0|%a1%a1|%a1%a2|%a1%a3|%a1%a4|%a1%a5|%a1%a6|%a1%a7|%a1%a8|%a1%a9|%a1%aa|%a1%ab|%a1%ac|%a1%ad|%a1%ae|%a1%af|%a1%b0|%a1%b1|%a1%b2|%a1%b3|%a1%b4|%a1%b5|%a1%b6|%a1%b7|%a1%b8|%a1%b9|%a1%ba|%a1%bb|%a1%bc|%a1%bd|%a1%be|%a1%bf|%a1%c0|%a1%c1|%a1%c2|%a1%c3|%a1%c4|%a1%c5|%a1%c6|%a1%c7|%a1%c8|%a1%c9|%a1%ca|%a1%cb|%a1%cc|%a1%cd|%a1%ce|%a1%cf|%a1%d0|%a1%d1|%a1%d2|%a1%d3|%a1%d4|%a1%d5|%a1%d6|%a1%d7|%a1%d8|%a1%d9|%a1%da|%a1%db|%a1%dc|%a1%dd|%a1%de|%a1%df|%a1%e0|%a1%e1|%a1%e2|%a1%e3|%a1%e4|%a1%e5|%a1%e6|%a1%e7|%a1%e8|%a1%e9|%a1%ea|%a1%eb|%a1%ec|%a1%ed|%a1%ee|%a1%ef|%a1%f0|%a1%f1|%a1%f2|%a1%f3|%a1%f4|%a1%f5|%a1%f6|%a1%f7|%a1%f8|%a1%f9|%a1%fa|%a1%fb|%a1%fc|%a1%fd|%a3%a0|%a3%a1|%a3%a2|%a3%a3|%a3%a4|%a3%a5|%a3%a6|%a3%a7|%a3%a8|%a3%a9|%a3%aa|%a3%ab|%a3%ac|%a3%ad|%a3%ae|%a3%ba|%a3%bb|%a3%bc|%a3%bd|%a3%be|%a3%bf|%a3%c0|%a3%db|%a3%dc|%a3%dd|%a3%de|%a3%df|%a3%e0|%a3%fb|%a3%fc|%a3%fd|%a3%fe|%a3%ff)/iu';$str = preg_replace($pattern, '', urlencode($str));return urldecode($str); }//使用示例 $str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】'; var_dump('punctFilter($str)',punctFilter($str)); //結果為：和≦哈1eoヾ嘿哈

后來，看了鳥哥的一篇博客【分割GBK中文遭遇亂碼的解決】，頓悟的趕腳，因此優化如下：

/*** 去除字符串中的標點符號[gbk編碼環境](廢棄，看下面說明)* @param $str* @return string*/ function punctFilter($str){//先去掉英文標點符號、空格等$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);//再匹配中文標點符號//第1字節：A1–A9 第2字節：A1–FE GB2312非漢字符號return preg_replace('/([\xa1-\xa9][\xa1-\xfe])+/', '', $str); } //使用示例 $str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】'; var_dump(punctFilter($str)); //結果為：和≦哈1eoヾ嘿哈

若不僅想去掉標點符號，還想去掉擴充非漢字，如：ˊ ˋ ˙ – ― ‥ ‵ ℅ ℉ ↖ ↗ ↘ ↙ ∕ ∟ ∣等，修改如下：

/*** 去除字符串中的標點符號[gbk編碼環境](廢棄，看下面說明)* @param $str* @return string*/ function punctFilter($str){//先去掉英文標點符號、空格等$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);//再匹配中文標點符號//第1字節：A1–A9 第2字節：A1–FE GB2312非漢字符號//第1字節：A8–A9 第2字節：40–A0(7F除外) 擴充非漢字return preg_replace('/(([\xa1-\xa9][\xa1-\xfe])|([\xa8-\xa9][\x40-\xa0]))+/', '', $str); } //使用示例 $str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】'; var_dump(punctFilter($str)); //結果為：和哈1eo嘿哈

近日又發現些問題，會有中文被替換后亂碼的情況，比如“本樓盤有特價單位推出！開發商內部價格！找小鄒買房有優惠！”使用上述方法替換后結果為“本綠有特價禱推出開誹內部價格找修買房有優惠”
究其原因，直接用preg_replace()匹配時，會出現類似如下情況：
????已知“樓盤”兩個字的gbk字符編碼為 c2a5c5cc
????使用正則(/([\xa1-\xa9][\xa1-\xfe])+/)替換時，會將a5c5替換掉，只留下c2cc
????最終結果表現為“樓盤”替換成了“綠”字

因此最終決定一個字一個字的匹配處理，本人項目中標題為50字以內，因此循環處理還可以接受，若需要處理字符串較長，還是另尋他法吧。

/*** 去除字符串中的標點符號* @param $str* @return string*/ function punctFilter($str){//先去掉英文標點符號、空格等$str = preg_replace('/[[:punct:]\s\n\t\r]/','',$str);//再匹配中文標點符號$len = mb_strlen($str,'gbk');$newstr = $str;for($i = 0; $i < $len; $i++){$substr = mb_substr($str,$i,1,'gbk');//第1字節：A1-A9 第2字節：A1-FE 非漢字符號if(preg_match('/([\xa1-\xa9][\xa1-\xfe])+/', $substr,$match)){$newstr = str_replace($substr, '', $newstr);}}return $newstr; } //使用示例 $str = '和≦哈1;!eo-\'\'?-+$*()‘’""“”[]-、ヾ嘿【哈】'; var_dump(punctFilter($str)); //結果為：和≦哈1eoヾ嘿哈 //使用示例 $str = '本樓盤有特價單位推出！開發商內部價格！找小鄒買房有優惠！'; var_dump(punctFilter($str)); //結果為：本樓盤有特價單位推出開發商內部價格找小鄒買房有優惠

歡迎指正補充。

補充知識：

GBK編碼的單字節與雙字節

gbk編碼分兩部分，一部分是單字節編碼，另一部分是雙字節編碼。
gbk編碼中，前128個編碼都是單字節編碼。單字節編碼從00-7F，與ASCII相對應。
在單字節編碼之后就是雙字節編碼。第一個字節范圍是81-FE。第二字節的一部分領域在40–7E，其他領域在80–FE。
這樣可以通過第一個字節就可以判斷是單字節編碼還是雙字節編碼。
摘錄自GBK編碼表與編碼字庫

雙字節編碼區又分為5部分

范圍第1字節第2字節編碼數字數內容

GBK/1	A1–A9	A1–FE	846	717	GB2312
GBK/2	B0–F7	A1–FE	6,768	6,763	GB2312漢字
GBK/3	81–A0	40–FE(7F除外)	6,080	6,080	擴充漢字
GBK/4	AA–FE	40–A0(7F除外)	8,160	8,160	擴充漢字
GBK/5	A8–A9	40–A0(7F除外)	192	166	擴充非漢字
用戶定義	AA–AF	A1–FE	564
用戶定義	F8–FE	A1–FE	658
用戶定義	A1–A7	40–A0(7F除外)	672

GBK漢字內碼擴展規范編碼表
可參考博客GBK漢字內碼擴展規范編碼表

總結

以上是生活随笔為你收集整理的php实现过滤中英文标点符号[gbk编码环境]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。