js字符串提取中文转数组正则

在 JavaScript 中从包含中英文、数字及特殊符号的混合字符串中提取出纯汉字并转为数组，最简洁且稳健的方案是使用 String.prototype.match() 配合汉字正则范围，并在末尾附加空数组兜底：str.match(/[\u4e00-\u9fa5]+/g) || []。

一、标准提取方案与两行基础代码

在前端业务开发中，我们经常需要处理用户输入的混合文本、清洗爬虫数据或提取特定标签。根据业务对“粒度”的要求不同，通常有两种提取场景：

• 单字提取（按字分割）：把文本中的每一个汉字分别提取为独立的数组元素，适合做汉字字频统计、生字排版或单个字符校验。
• 连续词组提取（按词段组合）：将连续相邻的汉字归并为一个词段元素，英文、数字或符号则作为自然分隔符，适合提炼关键词和文本清洗。

1. 提取每个独立汉字为数组项

如果需要将每一个汉字逐个拆散，使用不带量词 + 的字符集正则 /[\u4e00-\u9fa5]/g：

const rawText = "2026年Hello世界！前端开发工程师。";

// 提取所有单字汉字
const charList = rawText.match(/[\u4e00-\u9fa5]/g) || [];

console.log(charList);
// 示例输出: ["年", "世", "界", "前", "端", "开", "发", "工", "程", "师"]

2. 提取连续汉字词组为数组项

如果需要保留连贯的中文短语，在字符集合后面加上贪婪量词 +（表示匹配 1 个或多个连续字符）：

const rawText = "2026年Hello世界！前端开发工程师。";

// 提取连续中文字段
const wordList = rawText.match(/[\u4e00-\u9fa5]+/g) || [];

console.log(wordList);
// 示例输出: ["年", "世界", "前端开发工程师"]

二、正则解析：深入理解 Unicode 范围与现代规范

为什么写成 [\u4e00-\u9fa5] 就能代表中文字符？这背后是 Unicode 标准对汉字的编码分配。

1. 经典区间 \u4e00 至 \u9fa5 是什么

在 Unicode 编码中，汉字属于“CJK 统一表意文字（CJK Unified Ideographs）”。其中：

• \u4e00：十六进制值 0x4E00，对应十进制 19968，在字典中是汉字“一”。
• \u9fa5：十六进制值 0x9FA5，对应十进制 40869，在 Unicode 1.0 中代表常用基本集的最后一个汉字“龥”（读音 yù）。

这两个字符之间的闭区间一共涵盖了 20,902 个常用汉字。对于日常绝大多数网站的表单输入、评论和文章内容提取，这个区间足以覆盖 99.9% 的场景。

2. 现代 JavaScript 方案：ES2018 Unicode 属性转义

随着 Unicode 标准演进，现代汉字库已扩展到扩展 A 区至 G 区，很多生僻字、古籍字（例如冷门人名、地名、医学用字）已超出 \u4e00-\u9fa5 的范围。在 ES2018（ECMAScript 2018）及以上版本中，JavaScript 原生支持了 Unicode Property Escapes（Unicode 属性转义）。

我们可以使用 \p{Script=Han}（简写为 \p{sc=Han}）直接表达所有被标记为汉字的字符：

// 包含生僻字“𫖯”（码点 0x2B5AF，超出传统基本集范围）
const rareText = "汉字：赵孟𫖯书法欣赏。";

// 传统正则提取（生僻字可能被漏掉或拆成乱码代理对）
const resOld = rareText.match(/[\u4e00-\u9fa5]+/g) || [];
console.log(resOld); 
// 示例输出: ["汉字", "赵孟", "书法欣赏"]  —— "𫖯" 被遗漏

// 现代 ES2018 属性转义（注意末尾必须加 u 修饰符）
const resNew = rareText.match(/\p{Script=Han}+/gu) || [];
console.log(resNew);
// 示例输出: ["汉字", "赵孟𫖯书法欣赏"] —— 完美完整提取

使用 \p{Script=Han} 时，必须在正则末尾添加 u（Unicode）标志，否则浏览器会报语法错误 Invalid regular expression: ... invalid escape。

三、常见业务场景与模式对照

在真实业务场景中，需求往往不止于“纯汉字”，还涉及是否需要保留中文标点符号、处理空格以及去重排序。

场景 1：仅提取纯汉字（过滤所有标点与外文字符）

const str = "订单编号：#2026-DX-987，收件人：李雷；状态：已发货！";
const result = str.match(/[\u4e00-\u9fa5]+/g) || [];

console.log(result);
// 示例输出: ["订单编号", "收件人", "李雷", "状态", "已发货"]

场景 2：连同中文标点符号一并提取（保留完整中文句子）

很多时候我们需要从包含 HTML 标签或代码的混合文本中抓取完整的中文段落，此时中文常用标点符号（如逗号、句号、感叹号、问号、书名号）不应被作为断词分隔符：

const mixedContent = "<p>恭喜！您的申请已通过审核，请于明日到店办理。</p><span>Error 404</span>";

// 中文常用标点区间包含：\u3002(。) \uff1f(？) \uff01(！) \uff0c(，) \u3001(、) \uff1b(；) \uff1a(：) 等
const sentenceReg = /[\u4e00-\u9fa5\u3002\uff1f\uff01\uff0c\u3001\uff1b\uff1a\u201c\u201d\u300a\u300b]+/g;
const sentences = mixedContent.match(sentenceReg) || [];

console.log(sentences);
// 示例输出: ["恭喜！您的申请已通过审核，请于明日到店办理。"]

场景 3：提取并去重（获取文本中出现过的汉字集合）

借助 ES6 的 Set 数据结构，提取出的字符数组可以极度轻便地完成去重：

const paragraph = "前端学习前端开发，坚持学习才能精进！";
const uniqueChars = [...new Set(paragraph.match(/[\u4e00-\u9fa5]/g) || [])];

console.log(uniqueChars);
// 示例输出: ["前", "端", "学", "习", "开", "发", "坚", "持", "才", "能", "精", "进"]

四、生产开发必须警惕的 4 个技术细节

进阶：真正的中文自然语义分词（Intl.Segmenter）

如果你期望的不是“把夹杂在英文里的整块中文抠出来”，而是把一整句中文拆解成有实际含义的词语（例如将 "我爱北京天安门" 拆分为 ["我", "爱", "北京", "天安门"]），纯正则 /[\u4e00-\u9fa5]+/g 是做不到的，因为它会把整句话原封不动当成一个元素返回。

在现代 JavaScript 环境中，可以直接使用 ECMAScript 国际化标准 API Intl.Segmenter：

// 原生现代中文分词能力
const text = "我爱北京天安门，天安门上太阳升";
const segmenter = new Intl.Segmenter("zh-CN", { granularity: "word" });

const segments = [...segmenter.segment(text)]
  .filter(item => item.isWordLike)
  .map(item => item.segment);

console.log(segments);
// 示例输出: ["我", "爱", "北京", "天安门", "天安门", "上", "太阳", "升"]

五、总结与通用提取函数封装

为了在实际项目中提高复用性并消除重复的样板代码，我们可以将上述逻辑封装成一个通用工具函数 extractChinese，同时支持“单字”与“词段”两种模式切换：

/**
 * 从字符串中提取中文字符并转为数组
 * @param {string} source - 源文本字符串
 * @param {Object} [options] - 配置项
 * @param {boolean} [options.continuous=true] - 是否保留连续汉字为词组（默认 true，若为 false 则拆分为单字）
 * @param {boolean} [options.includePunctuation=false] - 是否同时提取中文标点
 * @returns {string[]} 提取出的中文字符数组
 */
function extractChinese(source, options = {}) {
  if (typeof source !== "string" || source.length === 0) {
    return [];
  }

  const { continuous = true, includePunctuation = false } = options;

  // 基础汉字范围
  let pattern = "\\u4e00-\\u9fa5";

  // 常用中文标点范围
  if (includePunctuation) {
    pattern += "\\u3002\\uff1f\\uff01\\uff0c\\u3001\\uff1b\\uff1a\\u201c\\u201d\\u300a\\u300b";
  }

  // 组合正则与量词
  const quantifier = continuous ? "+" : "";
  const regex = new RegExp(`[${pattern}]${quantifier}`, "g");

  return source.match(regex) || [];
}

// --- 使用测试 ---
const sample = "ECMAScript 2026：现代 JavaScript 进阶！";

// 1. 连续词段模式
console.log(extractChinese(sample)); 
// 输出: ["现代", "进阶"]

// 2. 单字拆分模式
console.log(extractChinese(sample, { continuous: false })); 
// 输出: ["现", "代", "进", "阶"]

// 3. 包含中文标点模式
console.log(extractChinese(sample, { includePunctuation: true })); 
// 输出: ["：现代", "进阶！"]

无论面对哪种需求，牢记核心原则：明确定位提取粒度、规范添加 g 修饰符、永远对 match 结果添加 || [] 防御，即可在任何 JavaScript 环境中写出高效且健壮的中文提取代码。