如何使用preg_replace删除过多的单个空格

Question

我们正在从PDF文件中提取文本，并且出现包含畸形文本的结果的频率很高。专门在单词的字符之间添加空格。例如if (foo != null && !int.TryParse(foo?.Score, out _)) 作为foo != null返回。

在SEATTLE个单字符“单词”的情况下，是否存在preg_replace的RegEx表达式可以删除任何空格？具体来说，要从出现的超过3个单个字母字符的字符串中删除空格，并用空格分隔吗？

如果用谷歌搜索了一段时间，但是甚至无法想象如何构造表达式。如评论中所述，我不希望所有空格都删除，而仅当出现> 3个单个字母字符时，例如S E A T T L E应该成为n。结果将用于全文搜索，因此不区分大小写。

Answer 1

您可以对preg_replace_callback使用简单的方法。匹配匿名函数中的'~\b[A-Za-z](?: [A-Za-z]){2,}\b~'和str_replace空格：

$regex = '~\b[A-Za-z](?: [A-Za-z]){2,}\b~';
$result = preg_replace_callback($regex, function($m) {
     return str_replace(" ", "", $m[0]);
}, $s);

请参见regex demo。

要仅匹配大写字母序列，请从模式中删除a-z：

$regex = '~\b[A-Z](?: [A-Z]){2,}\b~';

还有另一件事：可能有软/硬空间，制表符以及其他类型的空白。然后，使用

$regex = '~\b[A-Za-z](?:\h[A-Za-z]){2,}\b~u';
                        ^^                ^

最后，要匹配任何Unicode字母，请使用\p{L}（仅匹配大写字母\p{Lu}）而不是[a-zA-Z]：

$regex = '~\b\p{L}(?:\h\p{L}){2,}\b~u';

注意：在某些情况下（例如，当有一个字母的单词时。您将不得不单独/手动处理这些情况。无论如何，没有安全的仅使用正则表达式的方法可以解决OCR问题。

模式详细信息

• \b-单词边界
• [A-Za-z]-一个字母
• (?: [A-Za-z]){2,}-出现2次或以上
  • -一个空格（\h匹配任何一种水平空白）
  • [A-Za-z]-一个字母
• \b-单词边界

使用u修饰符时，\h可以识别Unicode。

Answer 2

您可以一口气做到这一点：

(?i:(?<!\S)([a-z]) +((?1))|\G(?!\A) +((?1))\b)

请参见live demo here

说明：

(?i: # Start of non-capturing group with case-insensitive modifier on
    (?<!\S) # Negative lookbehind to ensure there is no leading non-whitespace character
    ([a-z]) + # Capture one letter and at least one space
    ((?1)) # Capture one letter in 2nd capturing group
    | # Or
    \G(?!\A) + # Start match from where previous match ends 
               # with matching spaces
    ((?1))\b # Match a letter at word boundary
) # End of non-capturing group

PHP代码：

$str = preg_replace('~(?i:(?<!\S)([a-z]) +((?1))|\G(?!\A) +((?1))\b)~', '$1$2$3', $str);

Answer 3

您可以将这种纯正则表达式方法与环顾四周和\G一起使用：

$re = '~\b(?:(?=(?:\pL\h+){3}\pL\b)|(?<!^)\G)(\pL)\h+(?=\pL\b)~';

$repl = preg_replace($re, '$1', $str);

RegEx Demo

RegEx详细信息：

• \b：匹配单词边界
• (?:：启动非捕获组
  • (?=(?:\pL\h+){3}\pL\b)：先行断言我们有3个以上的单个字母，中间用1个以上的空格隔开
  • |：或
  • (?<!^)\G：\G在上一场比赛的结尾声明位置。 (?<!^)确保在第一次匹配时我们不匹配字符串的开头
• )：结束非捕获组
• (\pL)：匹配一个字母并将其捕获
• \h+：后接1+个水平空格
• (?=\pL\b)：声明我们前面只有一个字母
• 在替换中，我们使用$1，这是我们捕获的空白的左侧字母