Question

我如何计算两个单词之间的单词数量？

   $txt = "tükörfúrógép banana orange lime, tükörfúrógép cherry árvíztűrő orange lyon
    cat lime mac tükörfúrógép cat orange lime cat árvíztűrő
    tükörfúrógép banana orange lime
    orange lime cat árvíztűrő";

这两个词：'árvíztűrő'和'tükörfúrógép'
我需要这个回报：
tükörfúrógép樱桃árvíztűrő
tükörfúrógép猫橙色石灰猫árvíztűrő
tükörfúrógép香蕉橙石灰橙色石灰猫árvíztűrő

现在我有这个正则表达式：

preg_match_all('@((tükörfúrógép(.*)?árvíztűrő)(árvíztűrő(.*)?tükörfúrógép))@sui',$txt,$m);

Answer 1

我有几点要指出：

你不能在一个正则表达式中做到这一点。正则表达式是仅向前，反向匹配顺序需要第二个正则表达式。
您使用(.*)?，但意味着 (.*?)
要获得正确的匹配，您必须确保表达式的左边界不会出现在中间。
~~你应该在分隔词周围加上单词边界（\b）以确保整个单词匹配。~~ 编辑：虽然这在理论上是正确的，但它不起作用PHP中的Unicode输入。
~~你应该在调用preg_match_all()之前将PHP语言环境切换为匈牙利语（是匈牙利语，对吧？），因为语言环境会影响被认为是单词边界的内容PHP。~~ 编辑：\b的含义确实不随所选语言环境而变化。

话虽如此，正则表达式＃1是：

(\btükörfúrógép\b)((?:(?!\1).)*?)\bárvíztűrő\b

和正则表达式＃2是类似的，只是用反向分隔词。

正则表达式解释：

(               # match group 1:
  \b            #   a word boundary
  tükörfúrógép  #   your first delimiter word
  \b            #   a word boundary
)               # end match group 1
(               # match group 2:
  (?:           #   non-capturing group:
    (?!         #     look-ahead:
      \1        #       must not be followed by delimiter word 1
    )           #     end look-ahead
    .           #     match any next char (includes \n with the "s" switch)
  )*?           #   end non-capturing group, repeat as often as necessary
)               # end match group 2 (this is the one you look for)
\b              # a word boundary
árvíztűrő       # your second delimiter word
\b              # a word boundary

UPDATE：使用PHP的 ~~pathetic~~ 糟糕的Unicode字符串支持，您将被迫使用这些表达式作为\b的替换：

$before = '(?<=^|[^\p{L}])';
$after  = '(?=[^\p{L}]|$)';

此建议取自another question。

Answer 2

要计算两个单词之间的单词，您可以轻松使用：

count(split(" ", "lime orange banana"));

返回带匹配和计数的数组的函数将是：

function count_between_words($text, $first, $second, $case_sensitive = false)
{
    if(!preg_match_all('/('.$first.')((?:(?!\\1).)*?)'.$second.'/s' . ($case_sensitive ? "" : "i"), preg_replace("/\\s+/", " ", $text), $results, PREG_SET_ORDER))
        return array();

    $data = array();

    foreach($results as $result)
    {
        $result[2] = trim($result[2]);
        $data[] = array("match" => $result[0], "words" => $result[2], "count" => count(split(" ", $result[2])));
    }

    return $data;
}

$result = count_between_words($txt, "tükörfúrógép", "árvíztűrő");

echo "<pre>" . print_r($result, true) . "</pre>";

结果将是：

Array
(
    [0] => Array
    (
        [match] => tükörfúrógép cherry árvíztűrő
        [words] => cherry
        [count] => 1
    )

    [1] => Array
    (
        [match] => tükörfúrógép cat orange lime cat árvíztűrő
        [words] => cat orange lime cat
        [count] => 4
    )

    [2] => Array
    (
        [match] => tükörfúrógép banana orange lime orange lime cat árvíztűrő
        [words] => banana orange lime orange lime cat
        [count] => 6
    )
)

Answer 3

为什么不使用各种字符串函数写几行呢？

而不是一个巨大的，令人困惑的正则表达式？

示例：

$start = strpos($txt, 'árvíztűrő') + 9; // position of first char after 'árvíztűrő'
$end   = strpos($txt, 'tükörfúrógép', $start);
$inner = substr($txt, $start, $end - $start);
$words = preg_split("/[\s,]+/", $inner);
$num   = count($words);

当然，如果你有一些巨大的输入字符串，这将耗尽内存......

我如何计算两个单词之间的单词数？

3 个答案: