中文字符正则匹配及 Unicode 编码

wilianz
8,238 阅读2分钟

中文字符正则匹配

在某些情况下，我们需要使用正则匹配出字符串中文字符。中文字的 Unicode 编码范围为 \u4E00-\u9FA5。对应的正则为：

const reg = /[\u4e00-\u9fa5]/g;

除了中文字，有时候需要匹配中文标点符号，中文标点符号和中文字编码是分开的且不是连续的，常用符号 Unicode 编码见下表。因为中文符号的 Unicode 编码并不连续，所以如果要匹配所有中文符号就会比较麻烦，需要在正则中列出所有符号编码。例如：

// 以下正则匹配中文符号 。？！，、
const reg = /[\u3002\uFF1F\uFF01\uFF0C\u3001]/g;

这种方法显然不是很好。一个更好的匹配中文字和符号方法是匹配双字节字符（包含中文、日文、韩文等），/[\x00-\xff]/ 匹配单字节字符（如英文字母和符号），而/[^\x00-\xff]/ 匹配双字节字符。

// 前面的 ^ 符号为必须
const reg = /[^\x00-\xff]/
符号Unicode（正则前缀\u）名称
。3002句号
？FF1F问号
-------
！FF01叹号
，FF0C逗号
、3001顿号
；FF1B分号
---------
：FF1A冒号
「300C
」300D
『300E
』300F
‘2018左单引号
’2019右单引号
“201C左双引号
”201D右双引号
（FF08左括号
）FF09右括号
〔3014
〕3015
【3010左中括号
-----------
】3011右中括号
—2014破折号
…2026省略号
-2013连接号
·FF0E间隔号
《300A左书名号
》300B右书名号
〈3008左小书名号
〉3009右小书名号

Unicode 编码概念

Unicode 编码中文名为统一码，整理、编码了世界上大部分文字系统，为每一个字符给予一个独一无二的编码。Unicode 是一个字符集，它规定了字符的二进制代码，并没有规定这个二进制代码应该如何存储。

UTF-8就是 Unicode 的一种实现方式，也是互联网上使用最广的一种 Unicode 实现。它的最大一个特点是，它是一种边长的编码，它可以根据不同的字符使用1~4个字节来存储。相较于 Unicode 的 UTF-16（字符用两个或四个字节表示）和 UTF-32（四个字节表示）更节省存储，很快便得到了互联网的迅速推广使用。

参考：

avatar
文章
阅读
粉丝