导读
作为一位中国的开发者，会经常遇到需要判断字符串是否为中文字符的场景，不过判断是否为中文字符，并不像想象中那么容易，今天就来介绍一下中文字符都包含哪些数据，如何用 JavaScript 编写一个较严谨的 isChinese() 方法检测中文字符的。
中文字符的编码取值范围
检测中文字符的主要思路就是需要知道中文字符的 Unicode 编码范围，然后结合正则表达式检测字符串是否在给定的 Unicode 编码范围内。 通常的一个较为简单的实现如下：
const isChinese = (str) => {
const pattern = /^[\u4e00-\u9fa5]+$/;
return pattern.test(str);
}
但这段代码的正则表达式包含的中文字符并不全面，根据维基百科的介绍，中文字符包含以下内容：
- 中文汉字
- 象形文字扩展 A-H
- 兼容象形文字符
- 兼容表意文字增补字符
- 中文标点符号
- 兼容标点符号
中文汉字
const Ideographs = [0x4e00, 0x9fff]
所以上文中那个 isChinese() 方法仅仅只检测了是否包含了中文汉字的字符集，还有很多缺失的部分。
象形文字扩展 A - H
const IdeographsExtensionA = [0x3400, 0x4dbf]
const IdeographsExtensionB = [0x20000, 0x2a6df]
const IdeographsExtensionC = [0x2a700, 0x2b73f]
const IdeographsExtensionD = [0x2b740, 0x2b81f]
const IdeographsExtensionE = [0x2b820, 0x2ceaf]
const IdeographsExtensionF = [0x2ceb0, 0x2ebef]
const IdeographsExtensionG = [0x30000, 0x3134f]
const IdeographsExtensionH = [0x31350, 0x323af]
汉字的标点符号
const Punctuations = [
// ，
[0xff0c, 0xff0c],
// 。
[0x3002, 0x3002],
// ·
[0x00b7, 0x00b7],
// ×
[0x00d7, 0x00d7],
// —
[0x2014, 0x2014],
// ‘
[0x2018, 0x2018],
// ’
[0x2019, 0x2019],
// “
[0x201c, 0x201c],
// ”
[0x201d, 0x201d],
// …
[0x2026, 0x2026],
// 、
[0x3001, 0x3001],
// 《
[0x300a, 0x300a],
// 》
[0x300b, 0x300b],
// 『
[0x300e, 0x300e],
// 』
[0x300f, 0x300f],
// 【
[0x3010, 0x3010],
// 】
[0x3011, 0x3011],
// ！
[0xff01, 0xff01],
// （
[0xff08, 0xff08],
// ）
[0xff09, 0xff09],
// ：
[0xff1a, 0xff1a],
// ；
[0xff1b, 0xff1b],
// ？
[0xff1f, 0xff1f],
// ～
[0xff5e, 0xff5e]
]
兼容性标点符号
const CompatibilityForms = [0xfe30, 0xfe4f]
其中，兼容象形文字符：[0xf900, 0xfaff]和兼容表意文字增补字符：[0x2f800, 0x2fa1f]，（根据个人判断）只是看上去像汉字，是中国文化圈内周边国家造出来。因此在 isChinese() 方法中也没有纳入到汉字字符。
isChinese() 方法
到此，我们已经了解了中文字符都包含了哪些字符，并且也通过wiki百科查找到了对应正则表达式，现在我们归纳总结一下，实现一个较为严谨的 isChinese() 方法。
/**
* @method isChinese
* @param {String} str - （必须）检测字符串
* @param {Boolean} [includePunctuation] - （可选）是否包含标点符号：默认值：true
* @returns {boolean}
*/
const isChinese = (str, includePunctuation = true) => {
// 转换成正则表达式
const toRegExp = (range) => {
const pattern = range
.map((range) => {
const rangeStart = range[0]
const rangeEnd = range[1]
const hexStart = rangeStart.toString(16)
const hexEnd = rangeEnd.toString(16)
if (rangeStart === rangeEnd) {
return `\\u{${hexStart}}`
}
return `[\\u{${hexStart}}-\\u{${hexEnd}}]`
})
.join('|')
return new RegExp(`^(?:${pattern})+$`, 'u')
}
// 文字
// https://en.wikipedia.org/wiki/CJK_Unified_Ideographs
const chineseIdeographs = [
// 中文汉字
[0x4e00, 0x9fff],
// 象形文字扩展 A - H
[0x3400, 0x4dbf],
[0x20000, 0x2a6df],
[0x2a700, 0x2b73f],
[0x2b740, 0x2b81f],
[0x2b820, 0x2ceaf],
[0x2ceb0, 0x2ebef],
[0x30000, 0x3134f],
[0x31350, 0x323af]
]
// 标点符号
const chinesePunctuations = [
// ，
[0xff0c, 0xff0c],
// 。
[0x3002, 0x3002],
// ·
[0x00b7, 0x00b7],
// ×
[0x00d7, 0x00d7],
// —
[0x2014, 0x2014],
// ‘
[0x2018, 0x2018],
// ’
[0x2019, 0x2019],
// “
[0x201c, 0x201c],
// ”
[0x201d, 0x201d],
// …
[0x2026, 0x2026],
// 、
[0x3001, 0x3001],
// 《
[0x300a, 0x300a],
// 》
[0x300b, 0x300b],
// 『
[0x300e, 0x300e],
// 』
[0x300f, 0x300f],
// 【
[0x3010, 0x3010],
// 】
[0x3011, 0x3011],
// ！
[0xff01, 0xff01],
// （
[0xff08, 0xff08],
// ）
[0xff09, 0xff09],
// ：
[0xff1a, 0xff1a],
// ；
[0xff1b, 0xff1b],
// ？
[0xff1f, 0xff1f],
// ～
[0xff5e, 0xff5e],
// 兼容性标点符号
// https://en.wikipedia.org/wiki/CJK_Compatibility_Forms
[0xfe30, 0xfe4f]
]
const asciiChars = /\w+/
if (typeof str !== 'string') {
return false
}
if (asciiChars.test(str)) {
return false
}
const pattern = includePunctuation
? toRegExp(chineseIdeographs.concat(chinesePunctuations))
: toRegExp(chineseIdeographs)
return pattern.test(str)
}
现在就可以用这个 isChinese() 方法去验证一下效果了。当然，如果你觉得兼容象形文字符和兼容表意文字增补字符也是汉字字符，那应该将他们加入到 isChinese() 方法的字符取值范围中。
总结
本文的重点是给大家介绍了中文字符都包含了哪些范围，以及验证中文字符使用正则表达式的基本检测思路。也希望 isChinese() 方法能在大家的日常开发工作中帮助到大家。
