Question

我正在尝试使用正则表达式在日语句子中匹配汉字化合物。

现在，我正在使用/ ((.)*) /来匹配空格分隔的化合物，例如彼はそこにひと人でいた。

问题是，在某些句子中，单词是在开头，或者后跟一个标点字符。防爆。 いっ瞬の間が生まれた。或一昨じつ、彼らはそこを出発した。

我尝试了/ ((.)*) |^((.)*) | ((.)*)、 etc.之类的内容，但这与彼はそこにひと人

中的ひと人代替彼はそこにひと人でいた。相匹配

有没有办法将所有这些打包在一个正则表达式中，或者我是否必须使用一个，检查它是否返回任何内容，然后再尝试另一个？

谢谢！

P.S。：我正在使用PHP来解析句子。

Answer 1

我认为：/([^ 、]+)/应与您给出的示例中的单词相匹配（您可能希望在空格中添加一些其他单词终止字符，如果您在文本中有这些字符（或使用{ {1}}代替\pL来覆盖所有UTF字母。

示例

[^ 、]

输出

<? preg_match_all('/[^ 、]+/u', "彼らは日本の国民となった。", $m); print_r($m);

Answer 2

假设您的输入是UTF-8，您可以尝试使用

'/(\pL+)/u'

\pL+匹配字符串中的一个或多个字母。

示例：

$str = '彼はそこに ひと人 でいた。';

preg_match_all('/(\pL+)/u', $str, $matches);

var_dump($matches[0]);

输出：

array(3) {
  [0]=>
  string(15) "彼はそこに"
  [1]=>
  string(9) "ひと人"
  [2]=>
  string(9) "でいた"
}

Answer 3

你只是想根据某种模式（空格或标点符号）拆分你的字符串，这是真的吗？那这个呢？

In [51]: word = '.test test\n.test'
In [53]: re.split('[\s,.]+',word)
Out[53]: ['', 'test', 'test', 'test']

Answer 4

在考虑了很长一段时间后，我相信没有办法解析化合物而不用空格或任何其他字符来区分它们，这就是我现在正在做的事情:)

实施例。如果句子是私はノート、ペンなどが必要だ。，则计算机无法知道它是私は（开始句子和空格分隔）还是ノート（空格和逗号分隔）是它应该选择。

感谢大家的建议......