匹配到所有中文

了解一下下unicode编码#

Unicode（中文：万国码、国际码、统一码、单一码）是电脑科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得电脑可以用更为简单的方式来呈现和处理文字。 Unicode 伴随著通用字符集的标准而发展，同时也以书本的形式[1]对外发表。Unicode 至今仍在不断增修，每个新版本都加入更多新的字符。目前最新的版本为2019年5月公布的12.1.0[2]，已经收录超过13万个字符（第十万个字符在2005年获采纳）。Unicode涵盖的资料除了视觉上的字形、编码方法、标准的字符编码外，还包含了字符特性，如大小写字母。引用至《维基百科》

为什么有这篇文章#

当然是掉坑里头了。前两天做了一个表单，姓名一栏只允许填入中文。

javascript

复制代码

name.value.replace(/[^\u4e00-\u9fa5]/g, '')

代码提测，本着我的代码不可能会有bug的态度下班了。晚上钉钉一阵一阵的的响。测试老哥说：哥，有bug。 我心里想：有bug？开什么玩笑，你是不是不会用？问他：哪bug了？ 姓名一栏可以输入中文。 我差点发火，这不是质疑我的代码了吗。刚要反驳不可能。 测试老哥顺手丢过来两字：龿龿 说：你自己试试。

javascript

复制代码

'龿龿'.replace(/[\u4e00-\u9fa5]/g, '') //"龿龿"

嗯，怎么匹配不到？

[\u4e00-\u9fa5]有什么用#

javascript采用的是utf-16 的编码方案，就是两个字节，unicode 的表现形式就是 \uxxxx 。使用[\u4e00-\u9fa5]匹配中文，\u4e00 是unicode中第一个汉字的码点，\u9fa5 是unicode中最后一个汉字的码点。

arduino

复制代码

'\u4e00' // '一' '\u95a5' // '龥'

不过显然，最后一个码点似乎不对了。 查阅各版本unicode数据文档发现：

复制代码

6.2-7.0 \u4e00 - \u9fcc 8.0-9.0 \u4e00 - \u9fd5 10.0 \u4e00 - \u9fea 11.0-12.1 \4e00 - \u9fef 13.0 \4e00 - \u9ffc 14.0-15.0 \4e00 - \u9fff

没看见 \u9fa5 从那个版本开始的，但至少8.0版本后，中文的最后一个码点移动到了 \u9fd5 。

更正的中文匹配方式 [\u4e00-\u9fff]#

javascript

复制代码

'龿龿'.replace(/[\u4e00-\u9fff]/g, '') // '' '你会不认识这几个字龦龯龿'.replace(/[\u4e00-\u9fff]/g, '') // ''

万能的中文匹配方式 /\p{sc=Han}/gu#

javascript

复制代码

'龿龿'.replace(/\p{sc=Han}/gu, '') // '' '你会不认识这几个字龦龯龿'.replace(/\p{sc=Han}/gu, '') // ''

补充#

文档数据可以在unicode官网查看：

unicode官网

8.0 unicode数据文档