查看文章 |
急着用的朋友可以先拿去用，这个正则非原创，但是经过我的修改，如有问题，请回复告知，代码是写给PHP初学者的，高手请自抠正则。 <meta http-equiv="Content-Type" Content="text/html; charset=utf-8">
<?php $word = "中文"; if (preg_match("/^([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){1}/",$word) == true || preg_match("/([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){1}$/",$word) == true || preg_match("/([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128)."-".chr(191)."]{1}){2,}/",$word) == true) { echo "很好，这是一个UTF-8编码的汉字"; } else { echo "抱歉，这不是一个UTF-8编码的汉字"; } ?> 先不要被上面那个稀奇古怪的代码吓到，看完这篇文章以后，你就不会觉得它了不起了：）另外，本文不会卖弄大量的关于编码的概念，如果需要额外的扩展阅读，请通过google查找，相信一定能够满足您的阅读需求。 关于编码： 上海的邮政编码是200000 ，上海的地理编码（经纬度）是lat:31.2356；lng:121.4728，上海的电话编码（国际区号）是：086021。类比在计算机里面， “汉”字的gb2312编码是：1011 1010 1011 1010（16进制：BABA）；“汉”字的Unicode编码是 0110 1100 0100 1001（16进制：6C49）；“汉”字的UTF-8编码是1110 0110 1011 0001 1000 1001 （16进制：E6B189）。所以，不同的汉字，在不同的编码方式下，表示的方法也是不一样的。 关于unicode： 随着全球化的到来，全球性的的沟通变得异常的普遍，在互联网的世界里，为了能够让用户方便的访问全世界不同地域，不同文字（编码）的站点，历史上先 后有两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。在1991年前后，双方都认 识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。于是，真正意义上的Unicode孕育而生。 Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。简单的说Unicode是一种可以容纳全世界所有语言文字的编码方案。 unicode编码在前面已经看到了，补充一点，有的时候还会用10进制中文字符，所以“汉”字还有可能是这个样子：27721 <script>
document.write("汉".charCodeAt());//显示27721 </script> 关于UTF-8： UTF-8是unicode编码的扩展（也可以说是子集：Unicode Translation Format），由Ken Thompson于1992年创建，只要将某个字符的unicode编码一一插入相应的空位（刚好有16个空位）就可以成为一个UTF-8编码，细心的研 究一下刚才给出的“汉”字的例子，你就能发现这一点。 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
好了，我们现在已经了解了关于unicode，编码和UTF-8的相关知识（虽然并不全面），但是我们还需要一些工具： 一个进制转换的页面（觉得麻烦的话可以google现成的）： <meta http-equiv="Content-Type" Content="text/html; charset=utf-8">
<script> var hex = new Array("0", "1", "2", "3", "4", "5", "6", "7", "8", "9", "A", "B", "C", "D", "E", "F"); function CKparseInt(n, r) { for (var i = 0; i < n.length; ++i) if (n.charAt(i) >= r) { alert("格式错"); return 0; } if (isNaN(M = parseInt(n, r))) alert ("格式错"); return M; } function DecimaltoAnother(A, radix) { s = ""; while (A >= radix) { s += hex[A % radix]; A = Math.floor(A / radix); } return transpose(s += hex[A]); } function transpose(s) { N = s.length; for (i = 0,t = ""; i < N; i++) t += s.substring(N-i-1, N-i); return t; } function EvalAny(item, r) { M = CKparseInt(item.value, r); for (var i = 0, MyForm = document.forms[0]; i < MyForm.length; ++i) MyForm.elements[i].value = DecimaltoAnother(M, MyForm.elements[i].name.substr(1,3)); } </script> <center> <h3>进制转换</h3> <br> <form method="post"> <table border=0 align=center> <tr> <td align=right> <p>二进制:</p> </td> <td><input name="b002" value="0" onChange="EvalAny(this, 2)" size=27></td> </tr> <tr> <td align=right>三进制:</td> <td><input name="t003" value="0" onChange="EvalAny(this, 3)" size=21></td> </tr> <tr> <td align=right>五进制:</td> <td><input name="q005" value="0" onChange="EvalAny(this, 5)" size=16></td> </tr> <tr> <td align=right>八进制:</td> <td><input name="o008" value="0" onChange="EvalAny(this, 8)" size=12></td> </tr> <tr> <td align=right>十进制:</td> <td><input name="d010" value="0" onChange="EvalAny(this, 10)" size=11></td> </tr> <tr> <td align=right>十六进制:</td> <td><input name="h016" value="0" onChange="EvalAny(this, 16)" size=8></td> </tr> </table> </form> </center> 一份编码对照表： http://www.ansell-uebersetzungen.com/gbuni.html 准备好以后，我们就开始DIY匹配UTF-8中文字符的正则表达式，有能力的朋友可以不阅读下面的文章，自己对照正则表达式判断和分析过程（我一开始就是这么做的！），下面的进度比较快，对编码不了解的朋友需要借助参考资料阅读。 仔细研究《编码对照表》，你会发现unicode编码中的汉字编码区间是连续的，位于4E00和9FA0之间，用《进制转换页面》把16进制转换成2进制： 4E00 : 0100 1110 0000 0000 上面的二进制编码就是要写入1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 的16个空位，就像： 1110 0100 1011 1000 1000 0000 将新组成的2进制形式UTF-8编码使用《进制转换页面》整理成16进制的（分析过程使用）格式： 1110 0100 1011 1000 1000 0000 : E4 B8 80 精确拆分的结果如下： 第一段：E4 B8 80 到 E4 BF BF 正则的作者显然是为了编写的方便，将汉字的UTF-8编码集扩大为了：E4 80 80 到 E9 BF BF ，在对使用效果影响不大的情况下，我们也不妨简化处理： [".chr(228)."-".chr(233)."]{1}表示一个E4（228的16进制表示）到E9之间的编码，[".chr(128). "-".chr(191)."]{1}表示80到BF之间的编码，于是就组成了 ([".chr(228)."-".chr(233)."]{1}[".chr(128)."-".chr(191)."]{1}[".chr(128). "-".chr(191)."]{1}){1}这个匹配UTF-8单个汉字的正则，最后经过修正，成为本文开始给出的表达式。 |
