PHP 正則匹配 Unicode 編碼字符的專業寫法

背景

處理中文、日文、Emoji 等 Unicode 字符時，傳統 [\u4e00-\u9fa5] 僅覆蓋基本多文種平面（BMP）常用漢字，無法匹配擴展區漢字、生僻字、Emoji（補充平面 SMP）。需使用 PHP PCRE 的 Unicode 屬性語法。

核心語法：\x{XXXX} 與 Unicode 屬性

<?php
// 1. 直接指定碼點範圍（十六進制）
// 基本漢字區：U+4E00-U+9FA5
// 擴展 A：U+3400-U+4DBF
// 擴展 B：U+20000-U+2A6DF（需 PCRE 8.32+ 支持 >FFFF）
$pattern = '/[\x{4e00}-\x{9fa5}\x{3400}-\x{4dbf}]/u';

// 2. 使用 Unicode 字符屬性（推薦，語義化、自動覆蓋所有區塊）
// \p{Han}：所有漢字（含擴展區）
// \p{L}：所有字母
// \p{N}：所有數字
// \p{P}：所有標點
// \p{Script=Han}：漢字腳本（更精確）
$pattern = '/\p{Han}+/u';          // 匹配連續漢字
$pattern = '/[\p{Han}\p{L}\p{N}]+/u'; // 漢字+字母+數字

// 3. 匹配 Emoji（補充平面，U+10000+）
// \p{So}：其他符號（含 Emoji）
// 更精確：\p{Extended_Pictographic} (PCRE 10.32+)
$emojiPattern = '/\p{So}/u'; 
?>

實戰範例：過濾/提取 Unicode 內容

<?php
$text = "Hello 世界 🌍 𠮷𠮷𠮷 Test123！";

// 1. 提取所有漢字（含生僻字 𠮷 U+20BB7）
preg_match_all('/\p{Han}+/u', $text, $matches);
var_dump($matches[0]); // ["世界", "𠮷𠮷𠮷"]

// 2. 移除所有 Emoji
$clean = preg_replace('/\p{So}/u', '', $text);
echo $clean; // "Hello 世界  𠮷𠮷𠮷 Test123！"

// 3. 只保留漢字、字母、數字、常用標點
$filtered = preg_replace('/[^\p{Han}\p{L}\p{N}\p{P}\s]/u', '', $text);
echo $filtered; // "Hello 世界  𠮷𠮷𠮷 Test123！"

// 4. 驗證純中文（含生僻字）
function isPureChinese($str) {
    return (bool)preg_match('/^[\p{Han}]+$/u', $str);
}
var_dump(isPureChinese('世界𠮷')); // true
var_dump(isPureChinese('World'));  // false
?>

關鍵修飾符：u (PCRE_UTF8)

必須在正則結尾加 u 修飾符：
/\p{Han}/u ✅ 正確按 Unicode 字符匹配
/\p{Han}/ ❌ 按字節匹配，會將多字節字符拆分，導致錯誤匹配或報錯

Unicode 碼點範圍速查（常用區塊）

進階：PCRE 版本要求

• PHP 5.3.4+ (PCRE 8.10+)：支持 \x{FFFF}（BMP 內）。
• PHP 5.4.14+ (PCRE 8.32+)：支持 \x{10000} 以上碼點（補充平面，如 Emoji、擴展 B）。
• PHP 7.3+ (PCRE 10.32+)：支持 \p{Extended_Pictographic} 精確匹配 Emoji。

檢查版本：php -r "echo PCRE_VERSION;"

總結

1. 匹配漢字：/\p{Han}+/u（最語義化、覆蓋全）。
2. 匹配 Emoji：/\p{So}/u 或 /\p{Extended_Pictographic}/u（新版）。
3. 自定義範圍：/[\x{4e00}-\x{9fa5}\x{3400}-\x{4dbf}]/u。
4. 永遠加 u 修飾符，否則按字節匹配必出錯。
5. 生產環境建議 PHP 7.3+，獲得最新 Unicode 屬性支持。