lua匹配UTF

lua匹配UTF"/>

lua匹配UTF

lua5.3虽然支持utf-8，但是自带的string库不支持汉字的处理，而且lua的正则实现也比较鸡肋，很难匹配中文。所以文章讨论UTF-8字符集，中文汉字的表示方法，然后说明lua如何匹配UTF-8中文汉字。

初识UTF-8

UTF-8是Unicode的一种实现，是一种变长字节编码方式。对于某一个字符的UTF-8编码，如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的位数，其余各字节均以10开头。UTF-8最多可用到6个字节。
如表：

因此，UTF-8可以用来表示字符编码最多的有效位数是31位，即x代表的位。除掉那些标志位（如每字节开头的10），UTF-8表示的与Unicode编码是对应的。
另外，Unicode兼容标准的ASCII字符集，只需要一个字节就可以表示所有ASCII码，ASCII码一共规定了128个字符的编码，所以实际只要7位表示。而对于1字节表示的UTF-8编码，字节开头是0，所以UTF-8表示的英文数字，跟ASCII字符集表示的是一样的。

中文UTF-8

通常都说到，汉字范围从0x4E00到0x9FA5，这是指Unicode编码。对于UTF-8还要做转换。
其中，0x4E00 用二进制表示为 100111000000000
换成UTF-8码就是111001001011100010000000，即 228, 184, 128
同理，0x9FA5为 111010011011111010100101，即 233, 190, 165
可以看出，中文UTF-8编码用3个字节表示。

lua匹配UTF-8汉字

前面分析了中文UTF-8的编码范围了，所以lua只要用 string.byte(s, i) 取到字符的byte值（字符集通常记 code point）。比较第一个字节是228-233，而且接下来两个字节都是 128-191，就可以简单认定为中文了。
这里以一个例子说明，比如我要过滤特殊字符，保留中文、英文和数字。

function filter_spec_chars(s)local ss = {}for k = 1, #s dolocal c = string.byte(s,k)if not c then break endif (c>=48 and c<=57) or (c>= 65 and c<=90) or (c>=97 and c<=122) thentable.insert(ss, string.char(c))elseif c>=228 and c<=233 thenlocal c1 = string.byte(s,k+1)local c2 = string.byte(s,k+2)if c1 and c2 thenlocal a1,a2,a3,a4 = 128,191,128,191if c == 228 then a1 = 184elseif c == 233 then a2,a4 = 190,165endif c1>=a1 and c1<=a2 and c2>=a3 and c2<=a4 thenk = k + 2table.insert(ss, string.char(c,c1,c2))endendendendreturn table.concat(ss)
end

转载链接：