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:
中文 gb2312
\x80-\xff 中文 gbk
2. UTF-8 (Unicode)
代码如下:
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:
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,$matches)){
return $matches[0];
}else
{
return null;
}
}
}
调用的时候变为:
代码如下:
data_convert(‘/[\x7f-\xff]+/',$txtContent);
foreach ($dsName as $val){
echo $val."
"; }
"; }
输入文件为:
,符合预期需求。