最近老板叫做一個數據查重的小練習，涉及從一個包含中文字段的文件中提取出其中的中文字段并存儲，使用php開發。中間涉及到php正則表達式中文匹配的問題，網上搜羅一大片，但是也很亂沒有一個準信兒，經過自己的代碼的修改和檢驗，先將extract函數寫下。

首先要注意到的是，雙字節字符的編碼問題，這里我們以后還可能會遇到像韓文、日文等編碼問題，與中文理解上是一個意思。

1. GBK (GB2312/GB18030)

在Notepad++下面，我們可以首先進行測試我們的正則書寫的錯誤與否。第一個表達式我是使用[/u4e00-/u9fa5]+來檢驗的，+號表示不止一個

匹配符。結果與預期相同，那么，是否在腳本中就可以使用這個正則了呢？

我們測試一下，我們使用

查閱了很多資料后發現，u (PCRE_UTF8)，就是上面的PCRE，這是是一個Perl庫，包括 perl 兼容的正規表達式庫。此修正符啟用了一個 PCRE 中與 Perl 不兼容的額外功能。模式字符串被當成 UTF-8。本修正符在 Unix 下自 PHP 4.1.0 起可用，在 win32 下自 PHP 4.2.3 起可用。而php正則表達式對于十六進制數據的表達方式上也有所不同，在php中，是用/x表示十六進制數據的。下面我們就將代碼優化一下，檢測函數變為：