最近老板叫做一个数据查重的小练习，涉及从一个包含中文字段的文件中提取出其中的中文字段并存储，使用php开发。中间涉及到php正则表达式中文匹配的问题，网上搜罗一大片，但是也很乱没有一个准信儿，经过自己的代码的修改和检验，先将extract函数写下。
首先要注意到的是，双字节字符的编码问题，这里我们以后还可能会遇到像韩文、日文等编码问题，与中文理解上是一个意思。
1. GBK (GB2312/GB18030)
复制代码 代码如下:
x00-xff GBK双字节编码范围
x20-x7f ASCII
xa1-xff 中文 gb2312
x80-xff 中文 gbk
2. UTF-8 (Unicode)
复制代码 代码如下:
u4e00-u9fa5 (中文)
x3130-x318F (韩文
xAC00-xD7A3 (韩文)
u0800-u4e00 (日文)
在Notepad++下面，我们可以首先进行测试我们的正则书写的错误与否。第一个表达式我是使用[u4e00-u9fa5]+来检验的，+号表示不止一个
匹配符。结果与预期相同，那么，是否在脚本中就可以使用这个正则了呢？
我们测试一下，我们使用preg_match_all(‘/[u4e00-u9fa5]+/', $subject,$matches)调用，然后你却看到了这么一个结果：Compilation failed: PCRE does not support L, l, N{name}, U, or u at offset 2。。。。是不是很头大？？这究竟是什么原因？
查阅了很多资料后发现，u (PCRE_UTF8)，就是上面的PCRE，这是是一个Perl库，包括 perl 兼容的正规表达式库。此修正符启用了一个 PCRE 中与 Perl 不兼容的额外功能。模式字符串被当成 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正则表达式对于十六进制数据的表达方式上也有所不同，在php中，是用x表示十六进制数据的。下面我们就将代码优化一下，检测函数变为：
复制代码 代码如下:
class storeDataAdapter extends Store{
private $dsData;
public function data_convert($pattern,$subject) {
$matches=array();
if (preg_match_all($pattern, $subject,$matches)){
return $matches[0];
}else
{
return null;
}
}
}
调用的时候变为：
复制代码 代码如下:
$store=new storeDataAdapter($txtContent);
$match=array();
$dsName=$store->data_convert(‘/[x7f-xff]+/',$txtContent);
foreach ($dsName as $val){
echo $val."<br>";
}
输入文件为：
，下面是提取出中文之后的输出文件内容：
，符合预期需求。
