Question

我正在考虑PHP中的一个特殊的regexp问题，但我找不到解决方案。我尝试将一些文本拆分成术语以获得简单的单词，数字和网址。

所以我决定拆分每个非字母数字字符（\ w）。

要使用不同的语言，我会使用\ w和其他字母，例如ÄäéèÈ等。

示例：

20,000 15.20 This is at Text. Right?!
www.google.com Jean Béraud

到目前为止，我使用以下正则表达式来分割文本：

[^\w(äÄüÜöÖßèé)]

http://regexr.com?2uq98

在80％的案例中效果很好，但将20,000分为20和000也将www.google.com分成www google com

所以我试着将这些数字保持在一起，但仍然分为点数，例如Text.以获得Text

要匹配15.20，以下工作：(\d+\.\d+)，但如何将否定与其他正则表达式字符串组合？以下操作无效：(\d+\.\d+)|[^\w(äÄüÜöÖßèé)]？
并且：我如何处理网址？

Answer 1

这样的东西？

$result = preg_split('/\W*\s+/', $string, NULL, PREG_SPLIT_NO_EMPTY);

Demo，结果：

array(10) {
  [0]=>
  string(6) "20,000"
  [1]=>
  string(5) "15.20"
  [2]=>
  string(4) "This"
  [3]=>
  string(2) "is"
  [4]=>
  string(2) "at"
  [5]=>
  string(4) "Text"
  [6]=>
  string(5) "Right"
  [7]=>
  string(14) "www.google.com"
  [8]=>
  string(4) "Jean"
  [9]=>
  string(7) "Béraud"
}

问：为什么\w在我的示例中匹配é？

答：这是基于使用PCRE库的系统的本地，来自PHP Manual：

“单词”字符是任何字母或数字或下划线字符，即任何可以成为Perl“单词”一部分的字符。字母和数字的定义由PCRE的字符表控制，如果发生特定于语言环境的匹配，则可能会有所不同。例如，在“fr”（法语）语言环境中，一些大于128的字符代码用于重音字母，并且这些字符代码由\ w匹配。

或者，将正则表达式指定为使用UTF-8可能会有所帮助：

$result = preg_split('/\W*\s+/u', $string, NULL, PREG_SPLIT_NO_EMPTY);

确保$string采用UTF-8编码。由于UTF-8是国际的，因此可能不需要考虑特定的区域设置。试一试。

Answer 2

根据@hakre的回答和你的例子，我相信你应该用这种方式组合这两个表达式：

$result = preg_split('/[^\wäÄüÜöÖßèé]*\s+[^\wäÄüÜöÖßèé]*/', $string, NULL, PREG_SPLIT_NO_EMPTY);

您的原始表达式已成功匹配相应的字符（[^\w(äÄüÜöÖßèé)]部分）。

来自@hakre的表达式补充说，这些字符中可能有任意一个字符（甚至没有字符），并且还应该跟一个或多个空格实例（\s+部分）。

当你将这两个想法结合起来时，你会得到[^\wäÄüÜöÖßèé]*\s+[^\wäÄüÜöÖßèé]*，这基本上转化为

此字符类中没有的任意数量的字符，后跟至少一个空格字符，然后可能后跟任何不在此字符类中的字符

或

之前或之后的一个或多个空白字符，以及不在此字符类中的任意数量的字符

作为测试，我使用了这个文本示例（我假设你想匹配法语字符）：

20,000 15.20 This is at Text. Right?!
www.google.com Comme son élève, où dois-je aller voir Jean Béraud?

和这个正则表达式：的 EDITED

/[^\wßàâäèéêëîïôöœùûüÿç]*(^|$|\s+)[^\wßàâäèéêëîïôöœùûüÿç]*/i

通过@hakre使用的同一网站：

http://codepad.viper-7.com/MqztVt

结束编辑

此测试显示即使单词以其中一个特殊字符开头或结尾，表达式也会分裂。我在表达式的末尾添加了/i开关，以使匹配不区分大小写。

仅拆分特殊字符上的文本，但不拆分带小数点的数字

2 个答案: