正则表达式无法匹配完整孟加拉语哈希标签的问题求助

问题原因 #

你遇到的问题核心在于：

• 原正则\w+即使添加u修饰符，仅能匹配ASCII字母、数字和下划线，无法识别Unicode非ASCII字符（如孟加拉语）。
• 尝试的\p{L}+仅匹配Unicode基础字母，但孟加拉语的部分字符由**基础字母（\p{L}）+变音标记（\p{M}）**组成，单独用\p{L}会在变音标记处截断，无法匹配完整单词；同时哈希标签中的下划线也不在\p{L}的匹配范围内。

解决方案 #

使用包含Unicode字母、变音标记和下划线的正则表达式，同时保留u修饰符确保UTF-8字符正确解析：

<?php

$hashtag = '#আয়াতুল_কুরসি';

// 匹配#开头，后跟任意Unicode字母、变音标记或下划线的内容
preg_match('/(#[\p{L}\p{M}_]+)/u', $hashtag, $matches);

print_r($matches);

?>

运行结果 #

Array
(
    [0] => #আয়াতুল_কুরসি
    [1] => #আয়াতুল_কুরসি
)

正则规则说明 #

• \p{L}：匹配任意Unicode语言的字母字符
• \p{M}：匹配Unicode变音标记（如孟加拉语中附加在字母上的声调、符号）
• _：显式匹配哈希标签中常见的下划线
• u修饰符：启用PCRE的Unicode模式，保证正则正确处理UTF-8编码的孟加拉语字符

内容的提问来源于stack exchange，提问作者Ian Y.