編碼決定模式
| 編碼 | 漢字位元組範圍 | 正則模式 | 修飾符 |
|---|
| GBK/GB2312 | 雙位元組：0x81-0xFE | /[\x80-\xFF]+/ 或 /[\xA1-\xFF]+/ | 無 |
| UTF-8 | 3-4 位元組：U+4E00-U+9FA5（基本漢字） | /[\x{4e00}-\x{9fa5}]+/u | u (PCRE_UTF8) |
UTF-8 完整漢字範圍（含擴展區）
實務範例
1. 提取純中文文字
學習 [1] => 是一件快樂的事 ) */
2. 判斷純中文字串
3. 中英混合分詞（簡易）
PHP [1] => 程式設計語言 ) */
4. GBK 環境下的匹配（舊專案）
mb_ereg 系列函數（多位元組安全）
常見坑點
- 忘記 u 修飾符：UTF-8 下不加
u 會按位元組匹配，導致錯誤結果。
- 檔案編碼與模式不符：GBK 檔案用 UTF-8 模式會亂碼/失效。
- 漢字範圍不足：僅用基本區會漏掉生僻字，視需求擴展至
\x{3400}-\x{9fa5}。
- 正則效能：大量文字處理考慮
mb_strpos/mb_substr 或分詞庫（jieba-php）。
結語
UTF-8 專案統一用 /[\x{4e00}-\x{9fa5}]+/u（或擴展至 \x{3400}-\x{9fa5}），務必加 u 修飾符。GBK 舊專案用 /[\x80-\xFF]+/。判斷純中文用 ^...$ 錨點。現代專案建議統一 UTF-8，避免編碼地獄。
