判断汉字正则表达式更严谨方法!

前端之家收集整理的这篇文章主要介绍了判断汉字正则表达式更严谨方法!前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

一、通常做法

正如网上流传的,判断中文的正则表达式,绝大部分是这么写的(OC语言):

NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@",@"[\u4e00-\u9fa5]"];
/*判断是否为中文的正则表达式*/
if([predicate evaluateWithObject:name]){
   //是中文
}else{
   //不是中文
}

然而上面的正则表达式,逻辑上讲并不严谨:比如一些生僻字的Unicode不在0x4e00-0x9FA5之间,那么它不能正确识别出来:比如一些四叠字:

另外还有一些偏旁部首,有时候也会作为一个字出现。但是偏旁部首的Unicode同样不在0x4e00-0x9FA5之间,下面分别举例偏旁部首,叠字:


查看Unicode完整码表


下载unicode和utf-8的转换工具,下载

如四个日的汉字,运行结果是“不是汉字”


二、原因

(假设你已经了解unicode的编码规则,和编码实现(utf-8);如果不了解, 查看 字符编码的奥秘utf-8,Unicode

中国71226个汉字,分别分布在Unicode第0个平面,常用27973个,第2个平面43253个。而[\u4e00-\u9fa5]只是代表了大约20901个汉字,剩余的汉字都在第2个平面(这部分可能是生僻字,很少使用)。

换句话说:流行的正则只能检测少部分汉字,却可以检测绝大部分常用汉字。


三、更严谨的做法

所以,在进行正则表达式的时候需要把第二平面的汉字囊括进去。

更严谨的正则表达式应该是这样的:

NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@|%@”,@“[\u4e00-\u9fa5],@“[\uDB40DC00-\uDB7FDFFF]”];
//注意这是伪代码,不能执行,很遗憾目前正则表达式不支持四个字节unicode的表示。

为什么是[\uDB40DC00-\uDB7FDFFF]:这里需要说名一下utf-16代理区:根据unicode的规则,第0平面是直接utf-8表示,第1到第16平面是通过代理区表示的。 查看这里由iPhone emoji问题牵出的UTF-16编码,UTF-8编码探究——了解utf-8编码和代理区的概念。

猜你在找的正则表达式相关文章