Unicode字符属性

自从 PHP 4.4.0 和 5.1.0， 三个额外的转义序列在选用UTF-8模式时用于匹配通用字符类型。他们是：

上面xx代表的属性名用于限制 Unicode 通常的类别属性。 每个字符都有一个这样的确定的属性，通过两个缩写的字母指定。 为了与 perl 兼容， 可以在左花括号 { 后面增加 ^ 表示取反。比如：\p{^Lu}就等同于\P{Lu}。

如果通过\p或\P仅指定了一个字母，它包含所有以这个字母开头的属性。 在这种情况下，花括号的转义序列是可选的。

\p{L}
\pL

InMusicalSymbols等扩展属性在 PCRE 中不支持

指定大小写不敏感匹配对这些转义序列不会产生影响，比如，\p{Lu}始终匹配大写字母。

Unicode 字符集在具体文字中定义。使用文字名可以匹配这些字符集中的一个字符。例如：

• \p{Greek}
• \P{Han}

不在确定文字中的则被集中到Common。当前的文字列表中有：

\X转义匹配任意数量的 Unicode 字符。\X等价于(?>\PM\pM*)

也就是说，它匹配一个没有 ”mark” 属性的字符，紧接着任意多个由 ”mark” 属性的字符。 并将这个序列认为是一个原子组(详见下文)。 典型的有 ”mark” 属性的字符是影响到前面的字符的重音符。

用 Unicode 属性来匹配字符并不快， 因为 PCRE 需要去搜索一个包含超过 15000 字符的数据结构。 这就是为什么在 PCRE中 要使用传统的转义序列\d、\w而不使用 Unicode 属性的原因。

To select UTF-8 mode for the additional escape sequences (\p{xx}, \P{xx}, and \X) , use the "u" modifier (see http://php.net/manual/en/reference.pcre.pattern.modifiers.php).
I wondered why a German sharp S (ß) was marked as a control character by \p{Cc} and it took me a while to properly read the first sentence: "Since 5.1.0, three additional escape sequences to match generic character types are available when UTF-8 mode is selected. " :-$ and then to find out how to do so.

My country, Vietnam, have our own alphabet table:
http://en.wikipedia.org/wiki/Vietnamese_alphabet
I hope PHP will support better than in Vietnamese.

An excellent article explaining all these properties can be found here: http://www.regular-expressions.info/unicode.html

For those who wonder: 'letter_titlecase' applies to digraphs/trigraphs, where capitalization involves only the first letter. 
For example, there are three codepoints for the "LJ" digraph in Unicode: 
 (*) uppercase "LJ": U+01C7 
 (*) titlecase "Lj": U+01C8 
 (*) lowercase "lj": U+01C9

If you are working with older environments you will need to first check to see if the version of PCRE will work with unicode directives described above:

Now you can do a fallback regex (e.g. use "/[a-z]/i"), when the PCRE library version is too old or not available.

these properties are usualy only available if PCRE is compiled with "--enable-unicode-properties"
if you want to match any word but want to provide a fallback, you can do something like that: