I teorin kan du göra detta:
- Hitta unicode-intervallen som du vill testa för.
- Koda in början och slutet manuellt till UTF-8.
- Använd den första byten av varje kodad start och slut som ett intervall för en REGEXP.
Jag tror att CJK-intervallet är tillräckligt långt borta från saker som eurosymbolen för att de falska positiva och falska negativa skulle vara få eller inga.
Redigera: Vi har nu omsatt teori i praktiken!
Steg 1: Välj teckenintervall. Jag föreslår \u3000-\u9fff; lätt att testa och bör ge oss nästan perfekta resultat.
Steg 2: Koda till byte. (Wikipedia utf-8 sida)
För vårt valda intervall kommer utf-8-kodade värden alltid att vara 3 byte, varav den första är 1110xxxx, där xxxx är de mest signifikanta fyra bitarna av unicode-värdet.
Därför vill vi macha byte i intervallet 11100011 till 11101001, eller 0xe3 till 0xe9.
Steg 3: Gör vårt regexp med den mycket praktiska (och nyss upptäckt av mig) UNHEX-funktionen.
SELECT * FROM `mydata`
WHERE `words` REGEXP CONCAT('[',UNHEX('e3'),'-',UNHEX('e9'),']')
Testade det precis. Fungerar som en charm. :)