如何判断字符串中含有中文字符

最近在项目中遇到一个问题，上游接口返回的图片地址uri中含有中文，导致客户端无法显示图片。这种含有中文的图片uri是非法的，需要过滤掉，那么问题就归结到如何判断一个字符串中国含有中文。这实际是考察你对字符编码的理解。首先我们了解下unicode及utf-8编码。

unicode本质上是一个字符集，或者说是一个字符编码的规范，它可以给地球上每一个字符一个唯一的编码方式。针对unicode，有utf-8/utf-16/utf-32等的实现方式，他们或者是变长或者是定长的编码方式，比如utf-32就是定长的编码，再比如utf-8就是变长的编码。因此，理论上来讲unicode可以表示上亿个不同的字符串。

针对utf-8的实现来讲，它使用1-4个字节来表示一个符号，根据不同的符号变换不同的长度。具体规则有两条，

1. 针对单字节的符号，字节第一位为0，后面7位是unicode编码，对于英文字符，utf-8编码就是ASCII编码，ASCII的编码范围是0x00到0x7f。
2. 针对n字节的符号（n>1），第一个字节的前n为都是1，第n+1位是0，后面所有字节的前两位都是10，剩下的的bit位就是这个符号的utf-8编码。

总结一下编码规则如下，

unicode符号范围（十六进制） |     utf-8编码方式（二进制）
---------------------------------------------------------
0000 0000 - 0000 007F     |     0xxxxxxx
0000 0080 - 0000 07FF     |     110xxxxx 10xxxxxx
0000 0800 - 0000 FFFF     |     1110xxxx 10xxxxxx 10xxxxxx
0001 0000 - 0010 FFFF     |     11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

我们以汉字“严”为例，演示如何由unicode实现utf-8编码， 严的unicode表示为4E25，二进制表示为100111000100101，符合上图中的第三种情况，初步判断二进制表示为1110xxxx 10xxxxxx 10xxxxxx，我们就从“严”的二进制最后一位开始依次向前填入，可以得到“严”的utf-8表示，11100100 10111000 10100101，转换为十六进制就是E4B8A5。

中文在unicode中的表示范围为为4E00-9FA5，那么判断字符串中是否含有中文可以使用正则匹配，就有第一种实现方式

$str = '北京';
if(preg_match('/[\x{4e00}-\x{9fa5}]/u', $str)){
    echo 1;
}else{
    echo 0;
}

汉字中不可能出现英文的ASCII编码，ASCII的编码范围是0x00-0x7F，共128个字符，那么除过英文字符就是中文字符，就有第二种实现方式

if(preg_match("/[\x7f-\xff]/", $str)){
    echo 1;
}

只要其中含有非ASCII字符的，就包含非英文字符。