如何用正则表达式匹配中文

前几天因为在做学校教务处的爬虫，用php抓取的成绩和课程表竟然返回的是html格式的数据，也是很醉。没办法，干脆用正则匹配吧。因为之前并没有学过正则表达式，只好恶补了一下。在匹配的过程中遇到了一些问题，特别是在匹配中文的时候，很是蛋疼。下面说一下我的学习成果。

使用php在匹配中文的时候不能使用 \w 来匹配，可以使用元字符 . 来粗略匹配中文
精确匹配中文时需要考虑编码环境，gb2312和 utf-8。这两种编码有什么区别呢？最主要的就是gb2312编码的汉字占两个字节，而utf-8编码的汉字占3个字节。

一、好了，下面进入正题，如果你想匹配中文的话，可以采用下面的表达式：

utf-8编码：

[\x{4e00}-\x{9fa5}]

例如：匹配5个汉字，便可以这么写：

/[\x{4e00}-\x{9fa5}]{5}/u

千万注意，这个最后面的u一定要加上（如果是使用php的话），否则是无法正常匹配的。
二、通过上面的表达式我们可以匹配一段模糊的中文，那如果我们想要匹配精准的某个字或者词语呢？例如，我在做教务处爬虫时，抓取到的成绩不仅仅只是数字，还有优秀、通过、良好等。这种我们总不能漏掉吧？可以使用下面的方式来匹配：

1. 先将汉字转换成为16进制Unicode编码，可以在这个网站方便的转换：Unicode与中文互转 16进制Unicode编码转换、还原

例如我们将优秀两个字转换成了该编码，为 : \u4f18\u79c0

2. 匹配优秀两个汉字的正则表达式如下：

/\x{4f18}\x{79c0}/u

想必大家应该已经明白了，拿到16进制编码后，有这么几步，将u改为x, 再将具体的16进制编码加上{ }，最后不要忘记加上u

三、包含换行段落的匹配

先给出一段需匹配的代码：

<span style="white-space:pre">  </span><tr class="H"><td class="td0" style='width:5%;padding:0px;' colspan='2'></td><td class='td0' style="width:13%;height:20px;">星期一</td><td class='td0' style="width:13%;height:20px;">星期二</td><td class='td0' style="width:13%;height:20px;">星期三</td><td class='td0' style="width:13%;height:20px;">星期四</td><td class='td0' style="width:13%;height:20px;">星期五</td><td class='td0' style="width:13%;height:20px;">星期六</td><td class='td0' style="width:13%;height:20px;">星期日</td>
<span style="white-space:pre"> </span></tr>

我们的目标是从这段html代码中抓取星期一 — 星期日，有人可能会说，直接匹配td标签，来个for循环就好了吗，但现在我只是给出一个例子，很多时候我们拿到的数据并不像这样有规律，所以成段匹配还是很有必要的。

我一开始尝试的方法是从<tr>匹配到</tr>, 将其中的汉字全部抓出来，但很不幸，失败了。原因就是在于其中的换行，那我们怎样才能匹配包含换行的文本呢？其实方法很简单，只要使用这个表达式：/[.\s\S]*/

我曾经试过使用 /[.\n]/ 来匹配，但是并不可以。上面的表达式完美的解决了问题。

如何用正则表达式匹配中文相关推荐

Oracle正则表达式匹配中文的问题
查资料知道中文Unicode范围是\u4e00 - \u9fa5 可是自己用来正则表达式匹配中文总是用不了Unicode.最简单举例: select regexp_replace('abc秋歌def' ...
Notepad++中用正则表达式匹配中文
通常正则表达式匹配中文可以利用Unicode的特点,使用[\u4e00-\u9fa5]匹配.但在Notepad++中不能正常使用. 解决方法是,首先将编码转换成Unicode(菜单->格式-&g ...
python正则匹配中文_python 正则表达式匹配中文-阿里云开发者社区
python 正则表达式匹配中文文件编码为 utf-8 设置默认编码为 utf-8 中文需要转换为 \u 形式的编码,也就是编码, 轮换方法,cmd 下执行 python 进入 python 命 ...
re 正则表达式匹配中文
之前踩过一个坑, 用正则表达式匹配中文字符:[^\x00-\xff] 最后发现这个是匹配非单字节字符, 表示的是0- 255 的ASCII码值 import re r = re.compile('[^ ...
【转】正则表达式匹配中文，英文字母和数字及_的写法！同时控制长度
[转]正则表达式匹配中文,英文字母和数字及_的写法!同时控制长度 using System.Text.RegularExpressions; 匹配中文:[\u4e00-\u9fa5] 英文字母:[a ...
php中文的正则表达式_php 正则表达式匹配中文汉字
文章告诉你如何利用php 正则表达式匹配中文汉字哦,下面我们主要讲利用preg_match mb_eregi来验证汉字,并且正则过程出现问题的解决方法. preg_match("/[a-z] ...
perl正则表达式匹配中文
perl正则表达式匹配中文:/[^u4E00-u9FA5]/ js中正则表达式匹配中文:match(/[\u4E00-\u9FA5]/)
hive正则表达式匹配中文或者字符
hive正则表达式匹配中文或者字符 regexp_replace() regexp_extract() regexp_replace() 案例1: select regexp_replace('四川成 ...
PHP正则表达式匹配中文
PHP正则表达式匹配中文 php中目前支持的是由PCRE库提供的正则函数,以"preg_"为前缀命名,在PCRE中若是要匹配中文字符,需要将模式修饰符设置为"u" ...

如何用正则表达式匹配中文

如何用正则表达式匹配中文相关推荐

最新文章

热门文章