关于正则匹配中为什么 [\x7f-\xff]+ 能匹配到所有的汉字

Question

看到别人的代码通过这个来匹配所有汉字

preg_match('/[\x7f-\xff]+/', $map)

[\x7f-\xff]+是表示ascii表里面的127~255的多个字符是吗？但是那些字符都不是汉字啊，怎么放一起就变成汉字了呢？不明白，请教下大家。

ASCII码表 (0~255) http://www.douban.com/note/22078526/

又有朋友说是GBK码，我晕了，求大家给点详细说明介绍啥的。

Answer 1

你确定匹配的规则是正确的?
应该是[\x80-\xff]+ 吧, 而且能这样匹配的应该是utf-8编码中的非ascii编码字符
简单说下,因为utf-8的字符,如果是非ascii编码的都是以1开头,具体来说就是10000000~1111111

具体参考链接:http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

Answer 2

GB2312（GBK）为了和 ASCII 兼容，使用了最高位为 1 的编码方式。

你给出的链接是扩展的 ASCII 码表，标准的 ASCII 码表共 127 个字符，01 - 7F。

0000 0001
0000 0010
...
...
...
0111 1111

而 GBK 为了不和 ASCII 混淆，使用最高位的 1 来编码，占 2 个字节。这样，当进行编码解析的时候就简单的，如果遇到

1. 最高位如果是 0 那么就是 ASCII 码。

2. 如果最高位是 1 那就在继续读取下一个字节。

   1. 如果下一个字节最高位是 0，乱码。
   2. 如果下一个字节最高位是 1，则这两个字节对于一个汉字。

因此，简单的匹配汉字的规则就是 [\x80-\xff]。

Answer 3

给楼上更简洁地补充下

[\x80-\xff] 对应的是extended ASCII codes (character code 128-255)

能真正匹配汉字的是

preg_match_all('@\p{Han}@u','我艹',$m);

3v4l