特定中文字符串正則匹配

最近遇到了一個匹配中文特定字符串的問題，記錄下來

問題描述：匹配“美麗鄉村”中的一個字符或幾個，如果是多個字符，順序不能改變，如“麗鄉”

解決過程：

之前知道匹配中文字符串，正則表達式中使用的是unicode編碼的范圍，如/^[x{4e00}-x{9fa5}]+$/u

想着特定字符是否可以不用轉換成unicode編碼，於是寫出正則  '/^[美]{0,1}[麗]{0,1}[鄉]{0,1}[村}]{0,1}$/u'，總不能正確匹配

於是把漢字改成unicode編碼，正則  /^[\x{7f8e}]{0,1}[\x{4e3d}]{0,1}[\x{4e61}]{0,1}[\x{6751}]{0,1}$/u 匹配成功

 

轉換unicode編碼的函數，一開始用unicode_encode，在我的筆記本上可以正常匹配，但是到公司一試，竟然不能正常匹配，於是把"美"字的unicode編碼打印出來，

居然是“8e7f”，兩個字節顛倒了，百度了一下，原來是unicode編碼有大端小端,用兩個字節表示,用大端編碼時,要把低位數據是字符編碼的高字節,高字節是字符編碼的高字節。

於是改用utf8StrToUnicode，成功解決。

function unicode_encode($str, $encoding = 'UTF-8', $prefix = '[\x{', $postfix = '}]{0,1}') {
    $str = iconv($encoding, 'UCS-2', $str);
    $arrstr = str_split($str, 2);
    $unistr = '';
    for($i = 0, $len = count($arrstr); $i < $len; $i++) {
        $dec = bin2hex($arrstr[$i]);
        $unistr .= $prefix . $dec . $postfix;
    }
    return $unistr;
}

function utf8StrToUnicode($str ,$prefix = '[\x{', $postfix = '}]{0,1}') {
    $strLen = mb_strlen($str);
    $uniStr = '';
    for($i = 0;$i<$strLen;$i++){
        $unicode = 0;
        $subStr = mb_substr($str,$i,1);
        $unicode = (ord($subStr[0]) & 0x1F) << 12;
        $unicode |= (ord($subStr[1]) & 0x3F) << 6;
        $unicode |= (ord($subStr[2]) & 0x3F);
        $uniStr .= $prefix . dechex($unicode) . $postfix;
    }
    $uniStr = '/^'.$uniStr.'$/u';
    return $uniStr;
}