I'm Chris

适用于中日韩的正则表达式

之前我在 Twitter 发过用于匹配中文的正则表达式，但是发的表达式并不是很严谨，只是一个粗略的匹配，今天就进行补完吧。

FYI，如果是用 Ruby，用内置的集合吧，如 /\p{Han}/，最省事，详情看文档。

汉字匹配

[一 -鿌] 是 4E00–9FCC 段。这个是最常用的汉字集。

[㐀-䶵] 是 3400–4DBF 段。

[𠀀-𪛖] 是 20000–2A6D6 段。

[𪜀-𫠝] 是 2A700–2B81F 段。

[⺀-⿕] 是 2E80–2FDF 段。

[豈-舘] 是 F900-FA6D 段。

[你-鼖] 是 2F800-2FA1B 段。

在 Objective-C 里可以任意用上面的集合进行组合。

Python 不会用，简单的测试发现 u"[𠀀-𪛖]" 会导致报错，不加 u 匹配出来的会是别的字符，。

# -*- coding:utf-8 -*-
import re
prog = re.compile(u'[𠀀-𫠚]')
result = prog.match(u'𠀀')
print result

For JavaScript

JS 对五位的 Unicode 编码支持有问题，比如 𠀀 不管是以单字还是 \uD840\uDC00 方式是可以匹配，但是作为范围，如 [𠀀-𪛖] 会抛出 Range out of order in character class 异常。

如有需要，建议使用 [一 -鿋] 和 [㐀-𫠚]。

日文五十音匹配

相对于汉字，这个难度就大降：

[ぁ - ヶ゛゜ー]

JavaScript、Objective-C、Python 和 Ruby 测试通过。

韩文匹配

[가-힝]

不懂韩文，大致就是这样吧？

JavaScript、Objective-C、Python 和 Ruby 测试通过。

备注

  1. 为什么我会选择用「字」而不是 Unicode 编码来匹配呢？因为五位 Unicode 编码的支持实在不能统一，用字的话，我常用的语言都可以兼容，省事。
  2. 如果看到的是方块字，那是正常的，虽然显示不出来，但仍旧是那个编码。

参考资料：