「说技术」 PHP如何从字符串中过滤出中文

实现目标

输入字符串：”０１２\x99 走过的路,不要再走”，处理后，只保留汉字 “走过的路不要再走”

实现过程

1、从 utf-8 字符编码转化为 GB2312 多字节编码

2、GB2312汉字编码范围 [xb0-xf7][xa0-xfe]，每两个字节形成一个中文字符

3、使用 PHP 字节操作函数 unpack 提取字符的二进制

4、提取出中文字符

PHP 代码

    /**
     * 过滤出一句话中的中文字符
     *
     * @param string $sentence
     * @return string
     */
    public function filterGB2312Words($sentence)
    {
        $filterWords = '';
        for ($i = 0, $iMax = mb_strlen($sentence); $i < $iMax; $i++) {
            $wordUtf8 = mb_substr($sentence, $i, 1);
            $wordGb2312 = iconv('utf-8', 'gb2312//IGNORE', $wordUtf8);
            if (strlen($wordGb2312) < 2) {
                // 不是中文, 跳过
                continue;
            }

            $byte1 = unpack('C', $wordGb2312, 0)[1];
            $byte2 = unpack('C', $wordGb2312, 1)[1];

            // https://www.wenjiangs.com/group/topic-19158.html
            // GB2312汉字: [xb0-xf7][xa0-xfe]
            if (($byte1 >= ord("\xb0") && $byte1 <= ord("\xf7")) && ($byte2 >= ord("\xa0") && $byte2 <= ord("\xfe"))) {
                $filterWords .= $wordUtf8;
            }
        }

        return $filterWords;
    }

/**
 * 测试过滤中文字符，忽略半角或英文字符
 *
 * @return void
 */
public function testGB2312Words()
{
    $sentence = "０１２\x99 走过的路,不要再走";
    $result = $this->filterGB2312Words($sentence);
    $this->assertEquals('走过的路不要再走', $result);
}

本作品采用《CC 协议》，转载必须注明作者和本文链接