Question

我需要通过空格，标点符号，换行符将文本分成数组。以下是示例文本：

男士夹克是绿色的。他 - 现代历史上最大的明星 - 骑自行车的速度非常快（每小时230公里）。这怎么可能？！他用的是什么样的自行车？他的自行车的半自动装备相当昂贵，显着有助于达到这个速度。一些（或许可能很多）声称他是世界上最快的！ “我看到他骑自行车！”约翰迪尔先生说。 “他设定的速度是每小时133.78公里，”听起来令人难以置信;听起来很有欺骗性。

我已经获得了regex that does that：

preg_split('/(?<=\s)|(?<=\w)(?=[.,:;!?()-])|(?<=[.,!()?\x{201C}])(?=[^ ])/u', $text);

但是目前它将以下semi-automatic分成两个单词，而它必须保持为一个单词。如果除了semi - automatic之外还有空格，那么这应该是三个单词。我不太明白这个正则表达式是如何工作的，所以感谢任何帮助。

第二个问题是，如果文本包含换行符，它会捕获换行符，但也会创建冗余元素。参见example - 元素[8]和[9]。元素[8]是多余的。我该如何解决它？

Answer 1

我没有测试以下内容。

首先让我们改变正则表达式：

/[.,:;!?()\s]|(?<=\s)-(?=\s)/u

说明：

[.,:;!?()\s] - 在标点符号上拆分

|(?<=\s)-(?=\s) - （替代）拆分- -

两侧的空格

接下来，对结果执行array_filter()，删除空| false元素

编辑：

要使用标点符号：

/(?=[.,:;!?()\s])|(?<=\s)-(?=\s)/u

我只是用一个先行

包围了角色类

编辑2：

/\s|(?=[.,:;!?)])|(?<=\s[("])|(?<=\s)-(?=\s)/u

编辑3：

\s|(?<=\s)-(?=\s)|(?<=\w)(?=[.,:;!?])|(?<=[.,"!()?\x{201C}])(?=[^ ])

编辑4：

\s|(?<=\s)-(?=\s)|(?<=\w)(?=[.,:;!?)])|(?<=[.,"!()?\x{201C}])(?=[^ ])

<强>解释说：

哦，我的，我的脑袋今天不在游戏中。你的正则表达式几乎就在那里，只需要一两个mod，所以这里是最终的正则表达式。

/\s|(?<=\w)(?=[.,:;!?)])|(?<=[.,"!()?\x{201C}])/u

注意：lookarounds只匹配某些内容，它们消耗零个字符，因此您可能遇到“零宽度断言”术语。如果我们没有使用lookarounds，则正则表达式引擎将匹配该字符并将其从匹配项中删除。管道元字符|是OR，正则表达式为alternate模式。

\s - 匹配空格字符。我们不需要这样做，因为我们想要删除它。

(?<=\w)(?=[.,:;!?)]) - 或者匹配单词字符\w的正向lookbehind，然后是以下任何标点符号.,:;!?)的正向前瞻。

(?<=[.,"!()?\x{201C}]) - 或者与以下标点字符.,"!()?\x{201C}的正向后视匹配。 \x{201C}是左双引号（unicode双字节字符）。

u - 修饰符，允许使用utf-8字符，例如\x{201C}

在原始正则表达式中，(?=[^ ])最后是多余的，所以我删除了它。它本来可以写成(?!\s)，它是相同的，是单个空白字符的负前瞻。

所以你要使用preg_split()之类的：

$return = preg_split('/\s|(?<=\w)(?=[.,:;!?)])|(?<=[.,"!()?\x{201C}])/u', $text, -1, PREG_SPLIT_NO_EMPTY)

Answer 2

你可以试试这个：

preg_split('/[^\PP.-]|(?<=\s)-(?=\s)|\s+|\.(?!\d)/u', $str, null, PREG_SPLIT_NO_EMPTY);

正则表达式通过空格，标点符号，换行符将文本分成数组

2 个答案: