正则表达式区分中英文

转载至:http://www.chedong.com/blog/archives/001261.html   作者:车东

版权声明：可以任意转载，转载时请务必以超链接形式标明文章原始出处和作者信息及本声明

正则表达式用了几年了，本以为这个问题很简单：把所有查询关键词中纯英文(包括数字)的滤出来；但是折腾了一下午才总算找到了以下解决方法：

iconv -f gbk -t utf-8 query_list |egrep -e "^[a-z0-9]*$"

1 为什么需要用utf-8： 如果直接对gbk编码的文字进行grep会由于编码中的交叉而滤出很多中文；
2 为什么需要用egrep： egrep=grep -E 就是正则表达式支持扩展字符集，扩展的正则支持用高八位字符；

关键：先将文本强制转换成UTF-8，然后利用egrep。
适用环境：Unix命令行模式下的grep；

有更简单的方法吗：请留言……

尝试一：
为了解决滤出字母数字查询词，先是直接grep "^[A-Za-z0-9]+$"，但是总是滤出大量的中文

尝试二：
后来无意中发现使用egrep "^[a-z0-9]+$" 可以大大减少中文的量，推断关键词是GBK格式的，GBK和英文编码含有大量交叉；

尝试三：
在网上找到很多文档都是转载：使用 [\x00-\xFF] 这样的正则表达式，但是没有说明，其应用的环境是在javascript这样的环境中，js已经是将字符转换成unicode来处理了，这种环境在另外的开发环境中可能就不适用了