Question

我正在尝试在其标点符号上拆分字符串，但字符串可能包含URL（方便地包含所有典型的标点符号）。

我对RegEx有基本的工作知识，但还不足以帮助我。这是我在发现问题时使用的内容：

$text[$i] = preg_split('/[\.\?!\-]+/', $post->text);

（这也考虑了多个连续的标点字符 - 省略号，!!!!，????，？！？等）

如何在保持URL完整性的同时在标点符号上拆分字符串？谢谢！

修改

我道歉......一个例子就像推文一样：

"Blah blah blah? A sentence. Here's a link: http://somelink.com?key=value ."

结果应如下所示：

[0] => "Blah blah blah?"
[1] => "A sentence."
[2] => "Here's a link: http://somelink.com?key=value ."

Answer 1

你在这里做的不是完全分裂标点符号，因为你试图将标点符号保留在其中一个分割项目中。你之后也试图丢弃这个空格，但似乎没有在你的问题中覆盖它。

我将通过以下方式解决这个问题：使用与标点符号或匹配的正则表达式拆分输入字符串，并保留各个部分，包括分隔符。然后迭代这些项目，并为每个分隔符决定它是否是标点符号，在这种情况下，您可以删除尾随空格并将其移动到上一个项目的末尾，或者URL，在这种情况下，您只需将其与前面的和以下项目。

在PHP中，您可以使用以下内容保留分隔符：

$text[$i] = preg_split('/([\.\?!\-]+|https?:\/\/\S+)/', $post->text, PREG_SPLIT_DELIM_CAPTURE);

将PREG_SPLIT_DELIM_CAPTURE标记解释为in the documentation为：

如果设置了此标志，则加括号分隔符模式中的表达式将被捕获并返回。

Answer 2

是否存在非URL标点符号的模式？在大多数英语句子中，许多标点符号被空格字符跟随（或有时先于）。我不知道你的源文本是什么样的，但是这可能是一种可行的方法，因为URL中的标点符号在任何一方都没有空格 - 尽管它们可以用标点符号后跟空格结尾 - 我想这取决于你预期的网址。

另一个方面（如果您不介意分阶段执行此操作）是从字符串中删除所有URL，然后对此结果执行其余处理。只有在您不需要URL时才有效。如果您需要保留网址，可以在网址的任意一侧添加占位符字符串，例如“＆gt;＆gt;＆gt;＆gt; http://placeholder.com＆lt;＆lt;＆lt;＆lt;＆lt;”然后当您在标点符号上拆分时，请务必排除＆gt;＆gt;＆gt;＆gt;之间发生的任何关联。和＆lt;＆lt;＆lt;＆lt;之后，您必须删除＆gt;＆gt;＆gt;＆gt;和＆lt;＆lt;＆lt;＆lt;＆lt;

Answer 3

这个正则表达式产生了你给出的例子：

/(?<!http[^\s]{0,2048})[\.\?\!\-]+\B/

它会查找标点符号 not ，前面是以“http”开头并以空格字符结尾的字符串。尾部\ B阻止带连字符的单词导致分割

但......

此输入：

Blah blah blah? A sentence. Here's a link: http://somelink.com?key=value.blah blah blah...

不会将value.blah拆分为两个......但我认为网址匹配正则表达式会遇到与'value.blah' 成为有效网址一部分相同的问题。我认为来自Twitter用户的数据非常不一致，因此很难清理，即使你去了FrustratedWithFormsDes的第二个建议。

Answer 4

你可以试试：

/((?![.?!] ).)+[.?!]+/

正则表达式拆分不包括URL的标点符号

4 个答案: