程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> PHP中使用正則表達式提取中文實現筆記,

PHP中使用正則表達式提取中文實現筆記,

編輯:關於PHP編程

PHP中使用正則表達式提取中文實現筆記,


最近老板叫做一個數據查重的小練習,涉及從一個包含中文字段的文件中提取出其中的中文字段並存儲,使用php開發。中間涉及到php正則表達式中文匹配的問題,網上搜羅一大片,但是也很亂沒有一個准信兒,經過自己的代碼的修改和檢驗,先將extract函數寫下。

首先要注意到的是,雙字節字符的編碼問題,這裡我們以後還可能會遇到像韓文、日文等編碼問題,與中文理解上是一個意思。

1. GBK (GB2312/GB18030)
復制代碼 代碼如下:
\x00-\xff GBK雙字節編碼范圍  
\x20-\x7f ASCII  
\xa1-\xff 中文 gb2312  
\x80-\xff 中文 gbk  
 
2. UTF-8 (Unicode)
復制代碼 代碼如下:
\u4e00-\u9fa5 (中文)  
\x3130-\x318F (韓文  
\xAC00-\xD7A3 (韓文)  
\u0800-\u4e00 (日文) 

在Notepad++下面,我們可以首先進行測試我們的正則書寫的錯誤與否。第一個表達式我是使用[\u4e00-\u9fa5]+來檢驗的,+號表示不止一個

匹配符。結果與預期相同,那麼,是否在腳本中就可以使用這個正則了呢?

我們測試一下,我們使用preg_match_all(‘/[\u4e00-\u9fa5]+/', $subject,$matches)調用,然後你卻看到了這麼一個結果:Compilation failed: PCRE does not support \L, \l, \N{name}, \U, or \u at offset 2。。。。是不是很頭大??這究竟是什麼原因?

查閱了很多資料後發現,u (PCRE_UTF8),就是上面的PCRE,這是是一個Perl庫,包括 perl 兼容的正規表達式庫。此修正符啟用了一個 PCRE 中與 Perl 不兼容的額外功能。模式字符串被當成 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正則表達式對於十六進制數據的表達方式上也有所不同,在php中,是用\x表示十六進制數據的。下面我們就將代碼優化一下,檢測函數變為:

復制代碼 代碼如下:
 class storeDataAdapter extends Store{  
        private $dsData;  
        /** 
         * 數據轉換函數,調用preg_match_all根據$pattern正則來進行數值匹配,並將返回的結果以數組形式存儲在$matches中, 
         * $matches[0]將包含與整個模式匹配的文本,$matches[1] 將包含與第一個捕獲的括號中的子模式所匹配的文本,以此類推 
         * @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;  
            }  
        }  
    } 

調用的時候變為:

復制代碼 代碼如下:
 $store=new storeDataAdapter($txtContent);  
    $match=array();  
    $dsName=$store->data_convert(‘/[\x7f-\xff]+/',$txtContent);  
    foreach ($dsName as $val){  
        echo $val."<br>";  
    }  

輸入文件為:

,下面是提取出中文之後的輸出文件內容:

,符合預期需求。

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved