必须添加u修饰符并确保utf-8编码：preg_match_all('//iu', $html, $matches)，否则pcre按字节解析导致中文乱码；提取文本时应使用/(.?)/us配合单字节安全匹配。> ↩
preg_match_all 提取 HTML 标签时中文属性值乱码
直接用 preg_match_all('/]+>/i', $html, $matches) 能抓到标签，但里面含中文属性（比如 <div title="你好">）时，<code>$matches[0] 里中文常变问号或空格。根本不是正则写错了，而是 PCRE 按字节解析 UTF-8 多字节序列，把一个汉字拆成 2–3 个字节分别匹配，结果截断或错位。
- 必须加
u修饰符：preg_match_all('/]+>/iu', $html, $matches) - 确保源字符串是真实 UTF-8 编码——从文件读取时用
file_get_contents()后别漏掉mb_convert_encoding($html, 'UTF-8', 'auto') - 如果 HTML 来自 curl 或数据库，检查响应头或字段 collation 是否真为
utf8mb4，否则转码会失效
提取标签内中英文混合文本内容（非属性）
想从 <p>测试Test</p> 中只拿“测试Test”，不带标签、不丢标点，常见错误是写 />([^ —— 这在含中文时极易漏掉末尾字符，因为 <code>[^ 会把 UTF-8 中文的后续字节误判为“
<ul>
<li>安全写法：用 <code>strip_tags() 预处理再正则提取，或改用 DOMDocument 解析（更稳）
/(?)([\x{4e00}-\x{9fa5}a-zA-Z0-9\u3000-\u303f\uff00-\uffef\s]+)/iu，显式列出常用中文标点 Unicode 区间\u3000-\u303f 是全角 ASCII（空格、逗号、句号等），\uff00-\uffef 是全角字母数字，漏掉它们会导致“ＡＢＣ１２３”被过滤过滤或替换标签中的中英文符号（保留文字）
业务常要清理 HTML 标签但保留中文、英文字母、数字和基础标点（如中文顿号、英文括号）。写 preg_replace('/[^a-zA-Z0-9\x{4e00}-\x{9fa5}]/u', '', $text) 看似合理，实际会删掉所有中文标点（《》【】、……、～等），因为它们不在 \x{4e00}-\x{9fa5} 范围内。
- 补全常用中文符号 Unicode 区间：
/[^\x{4e00}-\x{9fa5}\x{3000}-\x{303f}\x{3099}-\x{309c}\x{30a0}-\x{30ff}\x{ff00}-\x{ffef}a-zA-Z0-9\s]/u - 更省事：用
\p{Han}替代\x{4e00}-\x{9fa5}，再加\p{P}匹配所有 Unicode 标点（需环境支持 PCRE Unicode）：/[^\p{Han}\p{P}a-zA-Z0-9\s]/u - 注意
\p{P}会包含英文引号、破折号等，若只要中文标点，宁可手动列区间，避免过度保留
为什么 \w 不匹配中文，以及替代方案
\w 在 PHP 正则里默认只认 ASCII 字母、数字、下划线，即使加了 u 也不扩展含义——这是 PCRE 的设计，不是 bug。所以 preg_match('/\w+/u', '你好') 永远返回 false。
- 必须显式写范围：
[\x{4e00}-\x{9fa5}a-zA-Z0-9_]或[\p{Han}a-zA-Z0-9_] - 如果要兼容日韩文字，
\p{Script=Han}比\p{Han}更准（后者可能包含部首），但 PHP 版本需 ≥7.4 且 PCRE ≥10.30 - 别信网上抄来的
[\x{00}-\x{ff}]—— 这会把控制字符、不可见符全包进来，后续处理容易出问题
[\x{00}-\x{ff}] 不解决问题；真正要兼容，得按用途分层选区间，且每个 preg_* 函数调用都得确认 u 修饰符和输入编码链路一致。
