一、通常做法
正如网上流传的,判断中文的正则表达式,绝大部分是这么写的(OC语言):
NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@",@"[\u4e00-\u9fa5]"]; /*判断是否为中文的正则表达式*/ if([predicate evaluateWithObject:name]){ //是中文 }else{ //不是中文 }
然而上面的正则表达式,逻辑上讲其实不太严谨:比如一些生僻字的Unicode不在0x4e00-0x9FA5之间,那么它不能正确识别出来:比如一些四叠字:
下载unicode和utf-8的转换工具,下载
如四个日的汉字,运行结果是“不是汉字”
二、原因
(假设你已经了解unicode的编码规则,和编码实现(utf-8);如果不了解,查看 字符编码的奥秘utf-8, Unicode)
中国71226个汉字,分别分布在Unicode第0个平面,常用27973个,第2个平面43253个。而[\u4e00-\u9fa5]只是代表了大约20901个汉字,剩余的汉字都在第2个平面(这部分可能是生僻字,很少使用)。
三、更严谨的做法
所以,在进行正则表达式的时候需要把第二平面的汉字囊括进去。
更严谨的正则表达式应该是这样的:
NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@|%@”,@“[\u4e00-\u9fa5],@“[\uDB40DC00-\uDB7FDFFF]”];
//注意这是伪代码,不能执行,很遗憾目前正则表达式不支持四个字节unicode的表示。
为什么是[\uDB40DC00-\uDB7FDFFF]:这里需要说名一下utf-16代理区:根据unicode的规则,第0平面是直接utf-8表示,第1到第16平面是通过代理区表示的。查看这里由iPhone emoji问题牵出的UTF-16编码,UTF-8编码探究——了解utf-8编码和代理区的概念。
版权声明:本文为博主原创文章,未经博主允许不得转载。
时间: 2024-08-29 02:22:06