如何为阿拉伯字符定义 libpcre 正则表达式？

Question

我需要为阿拉伯/波斯字母中的某些垃圾邮件单词定义 PCRE 正则表达式，以便在 drupal 垃圾邮件模块< /a>.问题是通常的 PCRE 正则表达式显然无法找到阿拉伯字母中的模式。

例如，虽然 /bad word/ 标记“坏词”的实例，但

/کلمه بد/i

无法标记“坏词”。

Answer 1

如果我使用 u (Unicode) PCRE 修饰符，我对此没有问题：

$string = 'کلمه بد';

if (preg_match('~\p{Arabic}~u', $string) > 0)
{
    var_dump('contains Arabic characters');

    if (preg_match('~کلمه بد~ui', $string) > 0)
    {
        var_dump('contains spam-ish Arabic characters');
    }
}

string(26) "contains Arabic characters"
string(35) "contains spam-ish Arabic characters"

它运行得很好 IDEOne.com 上也有。请务必以 UTF-8 格式保存文件（并将输入数据转换为）。

Answer 2

仅当源文件中包含 use utf8; 时，Perl 源代码中的文字 Unicode 文本才会被正确识别。

如果您的数据已正确解码，您可以执行 /\x{644}/ ，并且可以

open my $fh, '<:utf8', 'somefile.txt' or die "blah blah";
my $bad_thing = <$fh>;
/$bad_thing/;

在没有 utf8 pragma 的情况下执行，但如果您想做 < code>/ä/ 那么你需要使用utf8。有道理吗？