异体汉字描述
整理文档过程中，部分从 PDF 文档中粘贴的中文文本字符并非通用编码的中文字符。
例如：
上述图片是 PDF 文本内容的截图，选中文本并复制后得到如下内容：
服务器推送
这个功能通常被称作“缓存推送”。主要的思想是：当【⼀】个客户端请求资源X，【⽽】服务器知道它很可能也需要资源Z的情况下，服务器可以在客户端发送请求前，主动将资源Z推送给客户端。这个功能帮助客户端将Z放进缓存以备将来之需。
服务器推送需要客户端显式的允许服务器提供该功能。但即使如此，客户端依然能【⾃】主选择是否需要中断该推送的流。如果不需要的话，客户端可以通过发送【⼀】个RST_STREAM帧来中【⽌】。
容易发现，内容中用中括号强调的字符应当为“一”“而”“自”“止”等常规编码的中文汉字。我们称被强调的这些字符为异形汉字。
异形汉字的影响
- 在印刷过程中，异形汉字的字体与常规编码汉字明显不同。
- 部分浏览器、文本编辑器和 PDF 阅读器不支持异形汉字。
- 在文本检索过程中，异形汉字不与常规编码汉字匹配。例如“⾃主选择”并不匹配“自主选择”。
异形汉字的成因
笔者最常见的异形汉字成因是：在 Linux 系统中使用中文输入法（如“智能拼音”输入法）编辑中文文件，再移植到 Windows 或其他系统中。
众所周知，低版本的 Linux 系统只支持古早的中文编码，这些编码与新的编码不相容。
另一个原因是，部分异形汉字本身是日文或其他方块字语言的字符，而非汉字字符。但输入法的字库中只保存了该字符，而未保存原汉字。
例如【⼊】是日文字符，但在部分输入法中该字符与汉字“入”混用。
该视频系统解释了计算机字符编码：锟斤拷�⊠是怎样炼成的——中文显示“⼊”门指南【柴知道】
解决方案
在之前的文章中，笔者使用 [㑇-﨩] 在正则表达式中匹配一般编码中文。
用以下正则表达式可以匹配大多数不常见符号，包括上文提到的异形汉字。在中括号中添加其他符号可以将添加的符号从搜索结果中排除。
1 | |
