-------------------------------------------欢迎查看字符编码【】------------------------------------------------------------------

汉字编码之GBK编码【】                                              推断汉字正則表達式更严谨方法【】

记事本输入“联通”俩字。关闭再打开乱码 【】              iPhone emoji问题牵出的Unicode代理区的思考【】

Unicdoe【真正的完整码表】对比表【】                      开源projectZipArchive，压缩中文文件名称乱码问题【】

base64加密。解密。encode。decode，编码具体解释+实现【】 

网络传输文本。urlEncode和urldecode的iOS实现【】 字符编码的奥秘utf-8, Unicode【】

--------------------------------------------------------------------------------------------------------------------------------------------------

一、通常做法

正如网上流传的。推断中文的正則表達式，绝大部分是这么写的（OC语言）：

NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@",@"[\u4e00-\u9fa5]"];/*推断是否为中文的正則表達式*/if([predicate evaluateWithObject:name]){   //是中文}else{   //不是中文}

然而上面的正則表達式，逻辑上讲并不严谨：比方一些生僻字的Unicode不在0x4e00-0x9FA5之间<>，那么它不能正确识别出来：比方一些四叠字：

另外另一些偏旁部首。有时候也会作为一个字出现。可是偏旁部首的Unicode相同不在0x4e00-0x9FA5之间，以下分别举例偏旁部首。叠字：

举几个例：

下载unicode和utf-8的转换工具。

如四个日的汉字，执行结果确“不是汉字”

二、原因

（如果你已经了解unicode的编码规则。和编码实现（utf-8）；如果不了解。 ）

中国71226个汉字。分别分布在Unicode第0个平面。经常使用27973个，第2个平面43253个。而[\u4e00-\u9fa5]仅仅是代表了大约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。非常少使用）。

换句话说：流行的正则仅仅能检測少部分汉字。却能够检測绝大部分经常使用汉字。

三、更严谨的做法

所以。在进行正則表達式的时候须要把第二平面的汉字囊括进去。

更严谨的正則表達式应该是这种：

NSPredicate* predicate = [NSPredicate predicateWithFormat:@"SELF MATCHES %@|%@”,@“[\u4e00-\u9fa5],@“[\uDB40DC00-\uDB7FDFFF]”];

//注意这是伪代码，不能执行。非常遗憾眼下正則表達式不支持四个字节unicode的表示。

为什么是[\uDB40DC00-\uDB7FDFFF]：这里须要说名一下utf-16代理区：依据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。

——了解utf-8编码和代理区的概念。