JavaScript 正则表达式匹配汉字

发布时间:2025-05-22 16:10:54 发布人:远客网络

一、JavaScript 正则表达式匹配汉字

在JavaScript中，正则表达式匹配汉字的传统方法是`/[\u4e00-\u9fa5]/`，这个正则从1992年至1999年间准确匹配了Unicode 1.0.1版本收录的中日韩统一表意文字。然而，随着Unicode的更新，这个正则不再覆盖所有新增的汉字。在2018年及以后，我们需要更现代的方法来处理汉字匹配。

Unicode 2018年引入的`\p`和`\u`标志提供了解决方案。`\p{Unified_Ideograph}`匹配所有统一表意文字，它根据字符的Unicode属性进行匹配，无需关注具体编码范围，开发者无需关注汉字的具体Unicode码点。这种方法更便于维护，因为它的底层实现由运行时依赖的Unicode版本决定。

`\p{Ideographic}`虽然也用于匹配汉字，但它包括了额外的非汉字字符，如西夏文、女书和兼容性字符，使用时需要谨慎。`Script=Han`属性则用于匹配汉文字符集，包括部首和符号，与汉字的概念有所混淆。

在JavaScript中，为了兼容性，Chrome 64及以上版本支持`\p`属性，而较旧版本可能需要借助`@babel/env`或`babel-plugin-proposal-unicode-property-regex`进行转译。`pattern`属性在HTML中使用时，需要施加`unicode`标志，以确保匹配所有Unicode字符。

总结来说，为了匹配最新的Unicode汉字，建议使用`\p{Unified_Ideograph}`或通过转译确保正则表达式的兼容性。参考了Unicode 10.0.0的详细信息和相关标准，如UAX#44和#24，以及HTML和Angular的规范。

二、UTF-8的正则表达式匹配的汉字如何

1、为了判断输入内容是否包含非法字符，我们可以通过使用正则表达式来进行验证。例如，以下代码用于匹配UTF-8编码的中文字符、字母、数字和下划线：

2、如果(!preg_match('/^[\u4e00-\u9fa5a-zA-Z0-9_]+$/U',$str))）

3、这段代码表示如果输入的字符串$str包含非法字符，则代码将输出“输入的结构包含非法字符”。否则，输出“输入的结构是完全合法的”。确保正则表达式与UTF-8编码兼容。

4、在JavaScript中，判断字符串是否全部为中文也是非常简单。例如：

5、如果(/^[\u4e00-\u9fa5]+$/。test(STR)){alert("所有字符串都是中文")}否则{alert("字符串不全是中文")}

6、在PHP中，我们需要使用正则表达式来匹配中文字符，例如：

7、如果(preg_match('/^[\x{4e00}-\x{9fa5}]+$/U',$str)){print("所有字符串都是中文")}否则{print("字符串不全是中文")}

8、对于PHP的规则，`\x{4e00}-\x{9fa5}`表示字符和字符集的概念。当表示一个16进制数时，需要注意1-2位或4位的表示方式，并确保在使用十六进制时正确添加括号，同时与`U`修饰符一起使用以确保兼容性。

9、在实际应用中，正确使用正则表达式可以准确判断输入内容是否包含非法字符。在PHP中，我们需要考虑到十六进制表示、字符集范围以及修饰符的正确使用，以确保表达式的正确性和兼容性。

10、为了验证上述正则表达式的功能，可以使用以下测试代码（保存为.php文件）：

11、如果($action='装饰'){$str=$_POST['dir'];如果(!preg_match('/[\xA1-\xFFa-zA-Z0-9_]+$/U',$str))GB2312汉字字母数字下划线的正则表达式如果(!preg_match('/^[\x{4e00}-\x{9fa5}a-zA-Z0-9_]+$/U',$str))UTF-8中文字符的字母数字下划线的正则表达式{echo'输入的结构包含非法字符';}其他{echo'输入的结构是完全合法的，通过！'}}

12、通过上述示例和测试代码，我们可以理解如何在PHP中使用正则表达式来匹配UTF-8编码的中文字符。希望对您有所帮助。

三、求一去乱码、汉字的正则表达式

\0n带有八进制值 0的字符 n(0<= n<= 7)

\0nn带有八进制值 0的字符 nn(0<= n<= 7)

\0mnn带有八进制值 0的字符 mnn（0<= m<= 3、0<= n<= 7）

\xhh带有十六进制值 0x的字符 hh

\uhhhh带有十六进制值 0x的字符 hhhh

\t制表符('\u0009')

\n新行（换行）符('\u000A')

\r回车符('\u000D')

\f换页符('\u000C')

\a报警(bell)符('\u0007')

\e转义符('\u001B')

[^abc]任何字符，除了 a、b或 c（否定）

[a-zA-Z] a到 z或 A到 Z，两头的字母包括在内（范围）

[a-d[m-p]] a到 d或 m到 p：[a-dm-p]（并集）

[a-z&&[^bc]] a到 z，除了 b和 c：[ad-z]（减去）

[a-z&&[^m-p]] a到 z，而非 m到 p：[a-lq-z]（减去）

.任何字符（与行结束符可能匹配也可能不匹配）

\s空白字符：[\t\n\x0B\f\r]

\p{Lower}小写字母字符：[a-z]

\p{Upper}大写字母字符：[A-Z]

\p{ASCII}所有 ASCII：[\x00-\x7F]

\p{Alpha}字母字符：[\p{Lower}\p{Upper}]

\p{Digit}十进制数字：[0-9]

\p{Alnum}字母数字字符：[\p{Alpha}\p{Digit}]

\p{Punct}标点符号：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~

\p{Graph}可见字符：[\p{Alnum}\p{Punct}]

\p{Print}可打印字符：[\p{Graph}\x20]

\p{Blank}空格或制表符：[\t]

\p{Cntrl}控制字符：[\x00-\x1F\x7F]

\p{XDigit}十六进制数字：[0-9a-fA-F]

\p{Space}空白字符：[\t\n\x0B\f\r]

java.lang.Character类（简单的 java字符类型）

\p{javaLowerCase}等效于 java.lang.Character.isLowerCase()

\p{javaUpperCase}等效于 java.lang.Character.isUpperCase()

\p{javaWhitespace}等效于 java.lang.Character.isWhitespace()

\p{javaMirrored}等效于 java.lang.Character.isMirrored()

\p{InGreek} Greek块（简单块）中的字符

\p{Lu}大写字母（简单类别）

\P{InGreek}所有字符，Greek块中的除外（否定）

[\p{L}&&[^\p{Lu}]]所有字母，大写字母除外（减去）

\Z输入的结尾，仅用于最后的结束符（如果有的话）

X{n,m} X，至少 n次，但是不超过 m次

X{n,m}? X，至少 n次，但是不超过 m次

X{n,m}+ X，至少 n次，但是不超过 m次

\ Nothing，但是引用以下字符

\Q Nothing，但是引用所有字符，直到\E

\E Nothing，但是结束从\Q开始的引用

(?idmsux-idmsux) Nothing，但是将匹配标志由 on转为 off

(?idmsux-idmsux:X) X，作为带有给定标志 on- off的非捕获组

(?=X) X，通过零宽度的正 lookahead

(?!X) X，通过零宽度的负 lookahead

(?<=X) X，通过零宽度的正 lookbehind

(?<!X) X，通过零宽度的负 lookbehind

(?>X) X，作为独立的非捕获组

--------------------------------------------------------------------------------

反斜线字符('\')用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式\\与单个反斜线匹配，而\{与左括号匹配。

在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

根据 Java Language Specification的要求，Java源代码的字符串中的反斜线被解释为 Unicode转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java字节码编译器解释。例如，当解释为正则表达式时，字符串字面值"\b"与单个退格字符匹配，而"\\b"与单词边界匹配。字符串字面值"$hello$"是非法的，将导致编译时错误；要与字符串(hello)匹配，必须使用字符串字面值"\$hello\$"。

字符类可以出现在其他字符类中，并且可以包含并集运算符（隐式）和交集运算符(&&)。并集运算符表示至少包含其某个操作数类中所有字符的类。交集运算符表示包含同时位于其两个操作数类中所有字符的类。

字符类运算符的优先级如下所示，按从最高到最低的顺序排列：

注意，元字符的不同集合实际上位于字符类的内部，而非字符类的外部。例如，正则表达式.在字符类内部就失去了其特殊意义，而表达式-变成了形成元字符的范围。

行结束符是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：

新行（换行）符('\n')、

后面紧跟新行符的回车符("\r\n")、

单独的回车符('\r')、

下一行字符('\u0085')、

行分隔符('\u2028')或

如果激活 UNIX_LINES模式，则新行符是惟一识别的行结束符。

如果未指定 DOTALL标志，则正则表达式.可以与任何字符（行结束符除外）匹配。

默认情况下，正则表达式 ^和$忽略行结束符，仅分别与整个输入序列的开头和结尾匹配。如果激活 MULTILINE模式，则 ^在输入的开头和行结束符之后（输入的结尾）才发生匹配。处于 MULTILINE模式中时，$仅在行结束符之前或输入序列的结尾处匹配。