中文匹配正则怎么写

最新推荐文章于 2024-10-28 10:23:40 发布

转载最新推荐文章于 2024-10-28 10:23:40 发布 · 593 阅读

CC 4.0 BY-SA版权

原文链接：https://juejin.im/post/5ce91180e51d455d877e0cab

博客探讨了汉字正则匹配问题。指出常见的 [\\u4e00-\\u9fa5] 正则不准确，因 Unicode 不断修订，如 \\u3e00 对应的“㸀”字就不在此范围。还介绍了 Unicode 码及中日韩统一表意文字，给出 [\\u3a00-\\ufa99] 范围，同时提及用 [^\\x00-\\xff] 匹配双字节字符统计字节数。

从网上搜索到的结果大多数都是这个答案：[\u4e00-\u9fa5]，这个和判断字母的正则 [a-zA-Z] 一样，应该是一个范围值。

但是 \u3e00 在控制台的结果是"㸀"，这个也是中文字，说明 [\u4e00-\u9fa5] 正则就不准确了。

\u3e00 实际上是“㸀”字的 Unicode 编码 U+3E00。㸀位于中日韩统一表意文字扩充A区。

什么是 Unicode 码，Unicode 也叫万国码、国际码、统一码、单一码，是计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得计算机可以用更为简单的方式来呈现和处理文字。并且 Unicode 每年都在增修，每个版本都会加入新的字符。

中日韩统一表意文字又称统一汉字、统汉码（英语：Unihan），因为一些国家受到汉字文化的影响，一些文字的形状意思还是一样的，就可以把这些文字统一编一个 Unicode 码，省了很多麻烦。

因为 Unicode 在不断修订更改，导致上面的正则不完全准确。

与其说是中文正则匹配，其实汉字正则匹配更加合适。在浏览器控制台做了下验证，[\u3a00-\ufa99] 范围内是有文字的，注：测试结果仅限于Chrome 版本 74.0.3729.157 版本浏览器。具体可以去 Unicode 官网验证下：www.unicode.org/Public/zipp…

那汉字正则匹配就可以这么写：

/**
 * 是否为汉字
 * String keyword
 */
function isUnihan (keyword) {
  return /^[\u3a00-\ufa99]+$/.test(keyword)
}
复制代码

另外，单字节占一个字符，双字节占两个字符，汉字都是两字节，匹配双字节字符(包括汉字在内)：[^\x00-\xff]，利用这个正则可以统计字节数。

/**
 * 计算字节数
 * String str
 */
function strLen (str) {
  const len = str.length
  let Len = len
  const reg = /[^\x00-\xff]/
  for (let i = 0;i < len; i++) {
     if (reg.test(str.chartAt(i))) {
       Len++
     }
  }
  return Len
}
复制代码

完结，撒花

转载于:https://juejin.im/post/5ce91180e51d455d877e0cab