本文详解 unicode 中“脚本”（script）属性的标准化来源、核心含义及在 php 正则中的正确用法，重点指出 scripts.txt 是唯一权威出处，并说明 common/inherited 等特殊脚本的实际覆盖逻辑。
本文详解 unicode 中“脚本”（script）属性的标准化来源、核心含义及在 php 正则中的正确用法，重点指出 scripts.txt 是唯一权威出处，并说明 common/inherited 等特殊脚本的实际覆盖逻辑。
Unicode 的 Script 属性（如 \p{Cyrillic}、\p{Han}、\p{Arabic}）是现代国际化文本处理的核心机制之一，广泛应用于 PHP、Python（via regex）、JavaScript（Intl.Segmenter 配合 Unicode property escapes）等语言的正则匹配与字符分类中。但一个常见误区是：将“脚本”简单等同于 Unicode 块（Block），例如认为 \p{Cyrillic} 仅覆盖 U+0400–U+04FF。实际上，脚本（Script）是语义层面的归类，而块（Block）是编码层面的连续地址区间——二者设计目标不同，重叠但不等价。
真正的权威定义来自 Unicode Consortium 官方发布的数据文件：
✅ Scripts.txt
该文件按代码点（Code Point）逐行列出每个已分配字符所属的 Script 值（含 Unknown），格式为：
0041..005A ; Latin # L& [26] LATIN CAPITAL LETTER A..LATIN CAPITAL LETTER Z 0400..04FF ; Cyrillic # L& [256] CYRILLIC CAPITAL LETTER IE WITH GRAVE..CYRILLIC SMALL LETTER YA 3400..4DBF ; Han # Lo [6582] CJK UNIFIED IDEOGRAPH-3400..CJK UNIFIED IDEOGRAPH-4DBF
值得注意的是：
-
Common和Inherited是特殊的“无脚本归属”类别：-
Common（如 ASCII 数字0–9、ASCII 标点.,;?!、通用符号©®™）不属于任何特定文字系统，可跨脚本复用； -
Inherited（如组合变音符U+0300–U+036F、ZWJ/ZWNJ、部分标点）不独立存在，而是“继承”其前导基础字符的脚本——例如à（U+0061 + U+0300）中，重音符 U+0300 的 Script 值为Inherited，它依附于拉丁字母a，因此整体视为 Latin 脚本。
这正是为何 Scripts.txt 中不会为Inherited列出具体“范围内的两个字符”：它本身不是静态分配的区块，而是动态绑定的元属性。
-
在 PHP 中使用时（需启用 UTF-8 模式，如 preg_match('/\p{Cyrillic}/u', $str)），引擎内部正是解析 Scripts.txt 的映射关系实现匹配。因此：
- ✅ 正确做法：信任
\p{ScriptName}语义，无需手动拼接码点范围； - ⚠️ 错误做法：用
\x{0400}-\x{04FF}替代\p{Cyrillic}——会遗漏西里尔扩展区（如U+0500–U+052F,U+2DE0–U+2DFF,U+A640–U+A69F）等后续增补字符； - ? 扩展技巧：结合
Common与Inherited提升鲁棒性，例如提取纯非拉丁文本时推荐：// 匹配包含至少一个非-Latin 脚本字符（含 Common/Inherited 标点空格）的词 preg_match_all('/[\p{Common}\p{Inherited}\P{Latin}]+/u', $text, $matches);
总结：Unicode 脚本属性不是开发者自行定义的别名，而是由 Unicode Standard 严格维护的规范性分类。唯一可信、可追溯、可验证的源头，只有 Unicode 官方发布的 Scripts.txt 文件。任何对脚本范围的质疑或调试，都应直接查阅该文件最新版（当前为 Unicode 15.1，发布于 2023 年 9 月），而非依赖维基百科区块描述或经验推测。
