如何用正则表达式匹配中文
Pin Young Lv9

还是没办法不去在意这个博客, 毕竟付出了自己将近一年的心血, 这是几个周前写的一篇文章, markdown格式写的不是很规范, 望见谅! 分享在此。
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,gb2312utf-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:

1
[\x{4e00}-\x{9fa5}]

例如:匹配5个汉字,便可以这么写:

1
/[\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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
<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。

如有问题, 欢迎留言, 或者可直接联系我, 这是我的邮箱: waydrow@163.com