中文编码

双字节字符编码范围：

1. GBK (GB2312/GB18030)

\x00-\xff           →GBK双字节编码范围

\x20-\x7f         →ASCII    取出非汉字的字符

\xa1-\xff 中文 →gb2312 取出所有中文(不包括字母数字和字符)

\x80-\xff 中文 →gbk 取出所有中文(不包括字母数字和字符)

2. UTF-8 (Unicode)

\一-\?    →(中文) 取出所有中文

\x3130-\x318F    →(韩文) 取出所有韩文

\xAC00-\xD7A3   →(韩文) 取出所有韩文

\?-\一   →(日文) 取出所有日文

^ 可以用来互相转换

ps: 韩文是大于[u9fa5]的字符

代码例子

//判断内容里有没有中文-GBK (PHP)

function check_is_chinese($s){

return preg_match('/[x80-xff]./', $s);

}

//获取字符串长度-GBK (PHP)

function gb_strlen($str){

$count = 0;

for($i=0; $i

$s = substr($str, $i, 1);

if (preg_match("/[x80-xff]/", $s)) ++$i;

++$count;

}

return $count;

}

//截取字符串字串-GBK (PHP)

function gb_substr($str, $len){

$count = 0;

for($i=0; $i

if($count == $len) break;

if(preg_match("/[x80-xff]/", substr($str, $i, 1))) ++$i;

++$count;

}

return substr($str, 0, $i);

}

//统计字符串长度-UTF8 (PHP)

function utf8_strlen($str) {

$count = 0;

for($i = 0; $i < strlen($str); $i++){

$value = ord($str[$i]);

if($value > 127) {

$count++;

if($value >= 192 && $value <= 223) $i++;

elseif($value >= 224 && $value <= 239) $i = $i + 2;

elseif($value >= 240 && $value <= 247) $i = $i + 3;

else die('Not a UTF-8 compatible string');

}

$count++;

}

return $count;

}

//截取字符串-UTF8(PHP)

function utf8_substr($str,$position,$length){

$start_position = strlen($str);

$start_byte = 0;

$end_position = strlen($str);

$count = 0;

for($i = 0; $i < strlen($str); $i++){

if($count >= $position && $start_position > $i){

$start_position = $i;

$start_byte = $count;

}

if(($count-$start_byte)>=$length) {

$end_position = $i;

break;

}

$value = ord($str[$i]);

if($value > 127){

$count++;

if($value >= 192 && $value <= 223) $i++;

elseif($value >= 224 && $value <= 239) $i = $i + 2;

elseif($value >= 240 && $value <= 247) $i = $i + 3;

else die('Not a UTF-8 compatible string');

}

$count++;

}

return(substr($str,$start_position,$end_position-$start_position));

}

//判断是否是有韩文-UTF-8 (JavaScript)

function checkKoreaChar(str) {

for(i=0; i

if(((str.charCodeAt(i) > 0x3130 && str.charCodeAt(i) < 0x318F) || (str.charCodeAt(i) >= 0xAC00 && str.charCodeAt(i) <= 0xD7A3))) {

return true;

}

}

return false;

}

//判断是否有中文字符-GBK (JavaScript)

function check_chinese_char(s){

return (s.length != s.replace(/[^x00-xff]/g,"**").length);

}

总结

正则表达式经常来判断中文和韩文等非英文字符，备份一下这些编码的范围以方便查询。

在正则表达式中经常要判断中文，gbk编码是双字节，而utf8是三字节