PHP 正則表達式匹配中文：preg_match、mb_ereg 與 Unicode 屬性完整指南

中文匹配的編碼與正則基礎

PHP 正則處理中文需考慮編碼（UTF-8/GBK/BIG5）、PCRE 版本、多位元組字元邊界。本文系統整理各編碼下的匹配模式、常見陷阱與現代最佳實踐（Unicode 屬性）。

編碼無關的現代寫法：Unicode 屬性（推薦，PHP 5.1+ / PCRE 8.10+）

使用 \p{Han} 匹配所有漢字（CJK Unified Ideographs），\p{Han}+ 匹配連續漢字串。必須加 u 修飾符 啟用 UTF-8 模式。

$str = 'Hello 世界 123 测试';

// 1. 判斷是否包含中文
if (preg_match('/\p{Han}/u', $str)) {
    echo '包含中文';
}

// 2. 判斷純中文字串（全字串皆為漢字）
if (preg_match('/^\p{Han}+$/u', $str)) {
    echo '純中文';
} else {
    echo '含非中文';
}

// 3. 提取所有中文詞彙
preg_match_all('/\p{Han}+/u', $str, $matches);
print_r($matches[0]); // ['世界', '测试']

// 4. 替換中文為標記
echo preg_replace('/\p{Han}+/u', '[中文]', $str); // Hello [中文] 123 [中文]

擴展：常用 Unicode 區塊屬性

傳統編碼特定模式（GBK/GB2312/BIG5）

若專案仍使用 GBK/GB2312 編碼，無法使用 u 修飾符，需用位元組範圍匹配：

// GBK/GB2312：雙位元組，高位 0x81-0xFE，低位 0x40-0xFE (排除 0x7F)
$gbk_han = '/[\x81-\xFE][\x40-\xFE]/';

// BIG5：高位 0x81-0xFE，低位 0x40-0x7E 及 0xA1-0xFE
$big5_han = '/[\x81-\xFE][\x40-\x7E\xA1-\xFE]/';

// 判斷純中文（GBK 範例）
$str_gbk = '中文測試'; // 假設檔案儲存為 GBK
if (preg_match('/^(' . $gbk_han . ')+$/', $str_gbk)) {
    echo 'GBK 純中文';
}

// 注意：若 PHP 檔案為 UTF-8 但字串為 GBK，需先 iconv 轉碼再用 \p{Han}

mb_ereg 系列函數（不需 u 修飾符，使用內部編碼）

// 設定內部編碼（腳本頂端呼叫一次）
mb_regex_encoding('UTF-8'); // 或 'GBK', 'BIG5'

$str = '中文測試123';

// mb_eregi：不分大小寫匹配（中文無大小寫，等同 mb_ereg）
if (mb_ereg('\p{Han}', $str)) { // PHP 5.4+ mb_ereg 支援 Unicode 屬性
    echo '含中文';
}

// 純中文判斷
if (mb_ereg('^\p{Han}+$', $str)) {
    echo '純中文';
}

// 分割中英文
$parts = mb_split('(\p{Han}+)', $str); // 保留分隔符需用 mb_ereg 迴圈

常見實務場景與模式

效能與避坑指南

• 一定要加 u 修飾符：否則 PCRE 將字串視為單位元組，導致多位元組字元被拆解匹配，產生錯誤結果。
• 避免在大量資料用 preg_match_all 搭配複雜回溯模式：如 /(\p{Han}+)+/u 會導致災難性回溯，改用 /\p{Han}+/u 並程式端處理。
• PCRE 回溯限制：ini_set('pcre.backtrack_limit', '1000000') 可提高上限，但優先優化模式。
• 字串編碼不一致：確保 PHP 檔案編碼、資料庫連線編碼、HTTP 輸出編碼、正則模式編碼全部一致（建議全站 UTF-8）。
• mbstring.func_overload：若開啟（已棄用），preg_* 可能受影響，建議關閉並顯式使用 mb_* 函數。

完整驗證類別範例

class ChineseValidator {
    public static function hasChinese(string $str): bool {
        return (bool)preg_match('/\p{Han}/u', $str);
    }

    public static function isPureChinese(string $str): bool {
        return (bool)preg_match('/^\p{Han}+$/u', $str);
    }

    public static function extractChinese(string $str): array {
        preg_match_all('/\p{Han}+/u', $str, $m);
        return $m[0];
    }

    public static function filterChinese(string $str, string $replacement = ''): string {
        return preg_replace('/\p{Han}+/u', $replacement, $str);
    }

    public static function usernameValid(string $username): bool {
        // 2-20 字，中英數底線，至少一個中文或英文
        return (bool)preg_match('/^(?=.*[\p{Han}a-zA-Z])[\p{Han}\w]{2,20}$/u', $username);
    }
}