判断汉字正则表达式更严谨方法！

一、通常做法

正如网上流传的，判断中文的正则表达式，绝大部分是这么写的（OC语言）：

nspredicate* predicate = [nspredicate predicateWithFormat:@"SELF MATCHES %@",@"[\u4e00-\u9fa5]"];
/*判断是否为中文的正则表达式*/
if([predicate evaluateWithObject:name]){
   //是中文
}else{
   //不是中文
}

然而上面的正则表达式，逻辑上讲并不严谨：比如一些生僻字的Unicode不在0x4e00-0x9FA5之间，那么它不能正确识别出来：比如一些四叠字：

另外还有一些偏旁部首，有时候也会作为一个字出现。但是偏旁部首的Unicode同样不在0x4e00-0x9FA5之间，下面分别举例偏旁部首，叠字：

查看Unicode完整码表

下载unicode和utf-8的转换工具，下载

如四个日的汉字，运行结果是“不是汉字”

二、原因

（假设你已经了解unicode的编码规则，和编码实现（utf-8）；如果不了解， 查看 字符编码的奥秘utf-8,Unicode）

中国71226个汉字，分别分布在Unicode第0个平面，常用27973个，第2个平面43253个。而[\u4e00-\u9fa5]只是代表了大约20901个汉字，剩余的汉字都在第2个平面（这部分可能是生僻字，很少使用）。

换句话说：流行的正则只能检测少部分汉字，却可以检测绝大部分常用汉字。

三、更严谨的做法

所以，在进行正则表达式的时候需要把第二平面的汉字囊括进去。

更严谨的正则表达式应该是这样的：

nspredicate* predicate = [nspredicate predicateWithFormat:@"SELF MATCHES %@|%@”,@“[\u4e00-\u9fa5],@“[\uDB40DC00-\uDB7FDFFF]”];
//注意这是伪代码，不能执行，很遗憾目前正则表达式不支持四个字节unicode的表示。

为什么是[\uDB40DC00-\uDB7FDFFF]：这里需要说名一下utf-16代理区：根据unicode的规则，第0平面是直接utf-8表示，第1到第16平面是通过代理区表示的。 查看这里由iPhone emoji问题牵出的UTF-16编码，UTF-8编码探究——了解utf-8编码和代理区的概念。

原文地址：https://www.jb51.cc/regex/360152.html