如何在PHP中使用preg_split()提取单词和短语？

Question

我需要在文本中提取单词和短语。例如，案文如下：

你好世界，“日本和中国”，美国人，亚洲人，“犹太人和基督教徒”，半天主教徒，耶和华见证人

使用preg_split()，它应该返回以下内容：

1. 你好
2. 世界
3. 日本与中国
4. 美籍
5. 亚洲人
6. 犹太人和基督教徒
7. 和
8. 半天主教徒
9. 约瓦氏
10. 证人

我需要知道RegEx才能让它工作(或者它有可能吗？)注意规则，短语被用引号(")括起来。字母数字，单引号(')和破折号(-)被认为是单词的一部分(这就是为什么“约娃”和“半天主教徒”被认为是一个单词的原因)，其余用空格分隔的被认为是单字，而其他没有提到的符号则被忽略。

Answer 1

实际上，您可以非常简单地使用这样的str_getcsv：

// replace any comma or space by a singe space
$str = preg_replace('/(,+[ ]+)|([ ]+)/', ' ', $str);
// treat the input as CSV, the delimiters being spaces and enclusures double quotes
print_r(str_getcsv($str, ' ', '"'));

产出：

Array
(
    [0] => Hello
    [1] => World
    [2] => Japan and China
    [3] => Americans
    [4] => Asians
    [5] => Jews and Christians
    [6] => and
    [7] => semi-catholics
    [8] => Jehovah's
    [9] => witnesses
)

Answer 2

如果您的示例字符串是典型的，从处理单引号和双引号开始。我在这里使用了黑尔多语法来保证字符串的安全使用。

$string = <<<TEST
Hello World, "Japan and China", Americans, Asians, "Jews and Christians", and semi-catholics, Jehovah's witnesses
TEST;
$safe_string = addslashes($string);//make the string safe to work with
$pieces = explode(",",$safe_string);//break into pieces on comma
$words_and_phrases = array();//initiate new array

foreach($pieces as $piece)://begin working with the pieces
    $piece = trim($piece);//a little clean up
    if(strpos($piece,'"'))://this is a phrase
        $words_and_phrases[] = str_replace('"','',stripslashes($piece));
    else://else, these are words
        $words = explode(" ",stripslashes($piece));
        $words_and_phrases = array_merge($words_and_phrases, $words);
    endif;
endforeach;
print_r($words_and_phrases);

注意:您也可以使用preg_replace，但是对于类似的事情来说，这似乎太过了。