Question

我对正则表达式不好，但我想用它来从字符串中提取单词。

我需要的单词应该至少有4个字符，提供的字符串可以是utf8。

示例字符串：

Sus azahares presentangruesospétalosblancosteñidosderosaovioláceoenla parte externa，con numerosos estambres（20-40）。

期望的输出：

Array(
    [0] => azahares
    [1] => presentan
    [2] => gruesos
    [3] => pétalos
    [4] => blancos
    [5] => teñidos
    [6] => rosa
    [7] => violáceo
    [8] => parte
    [9] => externa
    [10] => numerosos
    [11] => estambres
)

Answer 1

如果要查找的单词是UTF-8（至少4个字符长，根据规格），这适用于ISO-8859-15的字母字符（适用于西班牙语，也适用于英语，德语），法语等）：

$n_words = preg_match_all('/([a-zA-Z]|\xC3[\x80-\x96\x98-\xB6\xB8-\xBF]|\xC5[\x92\x93\xA0\xA1\xB8\xBD\xBE]){4,}/', $str, $match_arr);
$word_arr = $match_arr[0];

Answer 2

您可以使用下面的正则表达式来表示简单字符串。它将匹配任何非空格字符，最小长度= 4。

preg_match_all('/(\S{4,})/i', $str, $m);

现在$m[1]包含您想要的数组。

<强> 更新

正如戈登所说，模式也将与'（20-40）'相匹配。可以使用此正则表达式删除不需要的数字：

preg_match_all('/(\pL{4,})/iu', $str, $m);

但我认为只有在使用UTF-8支持编译PCRE时它才有效。见PHP PCRE (regex) doesn't support UTF-8?。它可以在我的电脑上运行。

Answer 3

应该为你做的工作

function extractCommonWords($string) {
    $stopWords = array('i','a','about','an','and','are','as','at','be','by','com','de','en','for','from','how','in','is','it','la','of','on','or','that','the','this','to','was','what','when','where','who','will','with','und','the','www');

    $string = preg_replace('/\s\s+/i', '', $string); //echo $string, "<br /><br />"; // replace whitespace
    $string = trim($string); // trim the string
    $string = preg_replace('/[^a-zA-Z0-9 -_]/', '', $string); // only take alphanumerical characters, but keep the spaces and dashes too…
    $string = strtolower($string); // make it lowercase

    preg_match_all('/([a-zA-Z]|\xC3[\x80-\x96\x98-\xB6\xB8-\xBF]|\xC5[\x92\x93\xA0\xA1\xB8\xBD\xBE]){4,}/', $string, $matchWords);
    $matchWords = $matchWords[0];

    foreach($matchWords as $key => $item) {
        if($item == '' || in_array(strtolower($item), $stopWords) || strlen($item) <= 3) {
            unset($matchWords[$key]);
        }
    }

    $wordCountArr = array();
    if(is_array($matchWords)) {
        foreach($matchWords as $key => $val) {
            $val = strtolower($val);
            if(isset($wordCountArr[$val])) {
                $wordCountArr[$val]++;
            } else {
                $wordCountArr[$val] = 1;
            }
        }
    }

    arsort($wordCountArr);
    $wordCountArr = array_slice($wordCountArr, 0, 10);
    return $wordCountArr;
}

Answer 4

使用u修饰符时，可以使用以下模式（demo）：

preg_match_all('(\w{4,})u', $string, $matches);
print_r($matches[0]);

u modifier表示：

u（PCRE_UTF8）：此修饰符打开与Perl不兼容的PCRE的其他功能。模式字符串被视为UTF-8。此修饰符可从Unix上的PHP 4.1.0或更高版本以及win32上的PHP 4.2.3获得。自PHP 4.3.5起，检查模式的UTF-8有效性。

Answer 5

用空格分解你的字符串（这将创建一个包含所有单词的数组），然后检查单词是否大于4个字母。

//The string you want to explode
$string = "Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres."
//explode your $string, which will create an array which we will call $words
$words = explode(' ', $string);

//for each $word in $words
foreach($words as $word)
{
    //check if $word length if larger then 4
    if(strlen($word) > 4)
    {
        //echo the $word
        echo $word;
    }
}

strlen();

strlen - 获取字符串长度

explode();

explode - 按字符串
拆分字符串

Answer 6

$string = Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres

$words = explode(' ', $string);
echo $words[0];
echo $words[1];

等等

Answer 7

试试这个：

$str='Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres (20-40).';
preg_match_all('/([^0-9\s]){4,}/i', $str, $matches);
echo '<pre>';
var_dump($matches);
echo '</pre>';

使用preg_match_all从字符串中提取单词

7 个答案: