特定中文字符串正则匹配

Posted 2020-09-22 shen1hua

最近遇到了一个匹配中文特定字符串的问题，记录下来

问题描述：匹配“美丽乡村”中的一个字符或几个，如果是多个字符，顺序不能改变，如“丽乡”

解决过程：

之前知道匹配中文字符串，正则表达式中使用的是unicode编码的范围，如/^[x{4e00}-x{9fa5}]+$/u

想着特定字符是否可以不用转换成unicode编码，于是写出正则  ‘/^[美]{0,1}[丽]{0,1}[乡]{0,1}[村}]{0,1}$/u‘，总不能正确匹配

于是把汉字改成unicode编码，正则  /^[\x{7f8e}]{0,1}[\x{4e3d}]{0,1}[\x{4e61}]{0,1}[\x{6751}]{0,1}$/u 匹配成功

 

转换unicode编码的函数，一开始用unicode_encode，在我的笔记本上可以正常匹配，但是到公司一试，竟然不能正常匹配，于是把"美"字的unicode编码打印出来，

居然是“8e7f”，两个字节颠倒了，百度了一下，原来是unicode编码有大端小端,用两个字节表示,用大端编码时,要把低位数据是字符编码的高字节,高字节是字符编码的高字节。

于是改用utf8StrToUnicode，成功解决。

function unicode_encode($str, $encoding = ‘UTF-8‘, $prefix = ‘[\x{‘, $postfix = ‘}]{0,1}‘) {
    $str = iconv($encoding, ‘UCS-2‘, $str);
    $arrstr = str_split($str, 2);
    $unistr = ‘‘;
    for($i = 0, $len = count($arrstr); $i < $len; $i++) {
        $dec = bin2hex($arrstr[$i]);
        $unistr .= $prefix . $dec . $postfix;
    }
    return $unistr;
}

function utf8StrToUnicode($str ,$prefix = ‘[\x{‘, $postfix = ‘}]{0,1}‘) {
    $strLen = mb_strlen($str);
    $uniStr = ‘‘;
    for($i = 0;$i<$strLen;$i++){
        $unicode = 0;
        $subStr = mb_substr($str,$i,1);
        $unicode = (ord($subStr[0]) & 0x1F) << 12;
        $unicode |= (ord($subStr[1]) & 0x3F) << 6;
        $unicode |= (ord($subStr[2]) & 0x3F);
        $uniStr .= $prefix . dechex($unicode) . $postfix;
    }
    $uniStr = ‘/^‘.$uniStr.‘$/u‘;
    return $uniStr;
}