如何正则匹配乱码?

曾经护网的时候，遇到过要写一个正则，匹配文本中包含乱码，当时精神状态比较紧张，没有写出来，事后感觉非常尴尬，不过现在已经释然了，趁着周末休息的时候，简单研究了一下，以防未来还会遇到同样的问题，测试样例如下，包含：中文、英文、韩文、日文、中文标点符号、英文标点符号，以及乱码。

（中文）（yen）（abc+-*/）（）（小さな日本）（）（中文）（yen）（+-*/）（）（小さな日本）

ailx10

网络安全优秀回答者

网络安全硕士

去咨询

正则表达式[ -~]+，可以匹配所有的可打印的ASCII码字符，但是不能匹配中文、中文标点符号以及乱码。

正则表达式[^ -~]+，可以匹配所有中文、中文标点符号以及乱码，也能匹配日文、韩文。

正则表达式[\u4e00-\u9fa5]+，可以匹配所有的中文。

正则表达式[\u3002\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u2018\u2019\uff08\uff09\u300a\u300b\u3008\u3009\u3010\u3011\u300e\u300f\u300c\u300d\ufe43\ufe44\u3014\u3015\u2026\u2014\uff5e\ufe4f\uffe5\u00a5]+，可以匹配所有的中文标点符号。

正则表达式[\u2E80-\u2FDF\u3040-\u318F\u31A0-\u31BF\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FFF\uA960-\uA97F\uAC00-\uD7FF]+ ，可以匹配所有的中日韩文，但是不包含标点符号。

所以，初略的构建一个匹配乱码的正则表达式如下：

[^ -~\u2E80-\u2FDF\u3040-\u318F\u31A0-\u31BF\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FFF\uA960-\uA97F\uAC00-\uD7FF\u3002\u00a5\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u2018\u2019\uff08\uff09\u300a\u300b\u3008\u3009\u3010\u3011\u300e\u300f\u300c\u300d\ufe43\ufe44\u3014\u3015\u2026\u2014\uff5e\ufe4f\uffe5\u00a5]+

测试如下，效果良好：

如果想要匹配乱码之后的所有文本，可以使用如下正则表达式：

[^ -~\u2E80-\u2FDF\u3040-\u318F\u31A0-\u31BF\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FFF\uA960-\uA97F\uAC00-\uD7FF\u3002\u00a5\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u2018\u2019\uff08\uff09\u300a\u300b\u3008\u3009\u3010\u3011\u300e\u300f\u300c\u300d\ufe43\ufe44\u3014\u3015\u2026\u2014\uff5e\ufe4f\uffe5]+.*

如果想要匹配包含乱码的整个文本，可以使用如下正则表达式：

[ -~\u2E80-\u2FDF\u3040-\u318F\u31A0-\u31BF\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FFF\uA960-\uA97F\uAC00-\uD7FF\u3002\u00a5\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u2018\u2019\uff08\uff09\u300a\u300b\u3008\u3009\u3010\u3011\u300e\u300f\u300c\u300d\ufe43\ufe44\u3014\u3015\u2026\u2014\uff5e\ufe4f\uffe5]*[^ -~\u2E80-\u2FDF\u3040-\u318F\u31A0-\u31BF\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FFF\uA960-\uA97F\uAC00-\uD7FF\u3002\u00a5\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u2018\u2019\uff08\uff09\u300a\u300b\u3008\u3009\u3010\u3011\u300e\u300f\u300c\u300d\ufe43\ufe44\u3014\u3015\u2026\u2014\uff5e\ufe4f\uffe5]+.*

如果文本中不存在乱码，则测试不通过

网络安全任重道远，

发布于 2022-08-06 20:17