Question

我正在尝试使用正则表达式将一大块中文文本拆分成句子。为了我的目的，句子分隔符是：

全宽句号。（0x3002）
全角问号？（0xFF1F）
全宽感叹号！（0xFF01）

现在，让我们说我的$ str是这样的： $str = "你好。你好吗？我是程序员，不太懂这个我问题，希望大家能够帮忙！一起加油吧！";

我使用带有这些参数的preg_split：

$str2 = preg_split("/([\x{3002}\x{FF01}\x{FF1F}])/u",$str,PREG_SPLIT_DELIM_CAPTURE|PREG_SPLIT_NO_EMPTY);

$ str2现在是一个如下所示的数组：

array(3) { [0]=> string(6) "你好" [1]=> string(9) "你好吗" [2]=> string(91) " 我是程序员，不太懂这个我问题，希望大家能够帮忙！一起加油吧！" }

但是，预期的输出是：

[0] "你好。" 
[1] "你好吗？"
[2] "我是程序员，不太懂这个我问题，希望大家能够帮忙！"
[3] "一起加油吧！"

正如您所看到的，有两个问题：这不能正确处理感叹号，其次，我的全宽全停和全宽问号消失。我希望delim_capture能够保留它们。我一直在看这段代码这么长时间我不可能弄清楚问题是什么了。我非常感谢建议。

Answer 1

你的正则表达式代码应该像这样能够捕获字符串+分隔符：

$str = "你好。你好吗？ 我是程序员，不太懂这个我问题，希望大家能够帮忙！一起加油吧！";
$arr = preg_split("/\s*([^\x{3002}\x{FF01}\x{FF1F}]+[\x{3002}\x{FF01}\x{FF1F}]\s*)/u",
                  $str, 0, PREG_SPLIT_DELIM_CAPTURE|PREG_SPLIT_NO_EMPTY );
var_dump($arr);

<强>输出：

 array(4) {
  [0]=> string(9)  "你好。"
  [1]=> string(13) "你好吗？ "
  [2]=> string(72) "我是程序员，不太懂这个我问题，希望大家能够帮忙！"
  [3]=> string(18) "一起加油吧！"
}

Answer 2

您错过了preg_split()的$limit参数。

array preg_split（string $ pattern，string $ subject [，int $ limit = -1 [，int $ flags = 0]]）

因此，您将PREG_SPLIT_DELIM_CAPTURE（2）+ PREG_SPLIT_NO_EMPTY（1）= 3作为$limit传递。这就是为什么它会在三点停止。

添加null作为$limit参数，您的状态良好。

preg_split($pattern, $str, null, PREG_SPLIT_DELIM_CAPTURE|PREG_SPLIT_NO_EMPTY)

在unicode模式下preg_split：delim_capture不工作？

2 个答案: