原理

中文网页的编码方式主要有 2 种，GB2312 和 UTF-8 。在 GB2312 方式中，一个汉字占用 2 个字节，而 UTF-8 方式中，一个汉字占用 3 个字节。如下图，当我们将“一”这个汉字分别用 GB2312 和 UTF-8 方式储存的时候，以 16 进制方式来看，它们的内容是不一样的。

在 Proxomitron 的配置文件中，一个汉字也是占用 2 个字节，所以我们可以直接过滤 GB2312 编码网页中的中文；另一方面，我们不能用 2 个字节去匹配 3 个字节，所以不能直接过滤 UTF-8 编码网页中的中文。

匹配

尽管 Proxomitron 的帮助文件没有提到，但它实际上提供了以 16 进制方式按字节匹配的能力，符号为 [%xx]。

以上图为例，如果要匹配 UTF-8 编码的“一”字，表达式为：

[%e4][%b8][%80]

替换

显然，我们无法通过 Proxomitron 在 UTF-8 编码的网页中插入以 3 个字节为存储单位的汉字，但我们可以通过 character entity 的方式来达到我们的目的。关于 character entity 的知识，请自行 Google 。

实例

以 www.google.cn 为例，以其中的“高级搜索”字符串为目标。

通过 16 进制工具，我们可以看到其 16 进制内容为：

相应的，匹配表达式应该写为：

[%E9][%AB][%98][%E7][%BA][%A7][%E6][%90][%9C][%E7][%B4][%A2]

本例中，我打算将其替换为“不做恶”，其 character entity 格式为：

不做恶

最终的规则如下：

[Patterns]
Name = "utf-8 demo"
Active = TRUE
URL = "$TYPE(htm)www.google.cn/"
Limit = 20
Match = "[%E9][%AB][%98][%E7][%BA][%A7][%E6][%90][%9C][%E7][%B4][%A2]"
Replace = "不做恶"

过滤效果如下：

在线转换工具

我写了一个小工具，可以方便地将 UTF-8 字符串转换成 Proxomitron 的 Match 和 Replace 格式。

链接： 相关讨论