PHP中使用正则表达式提取中文实现笔记

发布时间：2022-08-02 16:10 所属栏目：121 来源：互联网

导读：这篇文章主要介绍了PHP中使用正则表达式提取中文实现笔记,本文还讲解了韩文、日文的正则表达式,并同时给出实现代码和使用示例,需要的朋友可以参考下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

　　这篇文章主要介绍了PHP中使用正则表达式提取中文实现笔记,本文还讲解了韩文、日文的正则表达式,并同时给出实现代码和使用示例,需要的朋友可以参考下

　　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)

　　代码如下:

　　/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)

　　代码如下:

　　/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：

　　代码如下: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：

　　代码如下:

　　$store=new storeDataAdapter($txtContent);

　　$match=array();

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

　　foreach ($dsName as $val){

　　echo $val."<br>";

　　输入文件为：

　　PHP中使用正则表达式提取中文实现笔记

　　下面是提取出中文之后的输出文件内容：

　　PHP中使用正则表达式提取中文实现笔记

　　符合预期需求。

（编辑：ASP站长网）