使用 preg_match_all 从字符串中提取单词

Question

我不擅长正则表达式，但我想用它从字符串中提取单词。

我需要的单词至少要有 4 个字符，并且提供的字符串可以是 utf8。

示例字符串：

Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres (20-40)。

期望的输出：

Array(
    [0] => azahares
    [1] => presentan
    [2] => gruesos
    [3] => pétalos
    [4] => blancos
    [5] => teñidos
    [6] => rosa
    [7] => violáceo
    [8] => parte
    [9] => externa
    [10] => numerosos
    [11] => estambres
)

Answer 1

应该为你做这项工作

function extractCommonWords($string) {
    $stopWords = array('i','a','about','an','and','are','as','at','be','by','com','de','en','for','from','how','in','is','it','la','of','on','or','that','the','this','to','was','what','when','where','who','will','with','und','the','www');

    $string = preg_replace('/\s\s+/i', '', $string); //echo $string, "<br /><br />"; // replace whitespace
    $string = trim($string); // trim the string
    $string = preg_replace('/[^a-zA-Z0-9 -_]/', '', $string); // only take alphanumerical characters, but keep the spaces and dashes too…
    $string = strtolower($string); // make it lowercase

    preg_match_all('/([a-zA-Z]|\xC3[\x80-\x96\x98-\xB6\xB8-\xBF]|\xC5[\x92\x93\xA0\xA1\xB8\xBD\xBE]){4,}/', $string, $matchWords);
    $matchWords = $matchWords[0];

    foreach($matchWords as $key => $item) {
        if($item == '' || in_array(strtolower($item), $stopWords) || strlen($item) <= 3) {
            unset($matchWords[$key]);
        }
    }

    $wordCountArr = array();
    if(is_array($matchWords)) {
        foreach($matchWords as $key => $val) {
            $val = strtolower($val);
            if(isset($wordCountArr[$val])) {
                $wordCountArr[$val]++;
            } else {
                $wordCountArr[$val] = 1;
            }
        }
    }

    arsort($wordCountArr);
    $wordCountArr = array_slice($wordCountArr, 0, 10);
    return $wordCountArr;
}

Answer 2

如果要查找的单词是 UTF-8（根据规范至少 4 个字符长），由 ISO-8859-15 的字母字符组成（这对于西班牙语很好，但也适用于英语、德语、法语等）：

$n_words = preg_match_all('/([a-zA-Z]|\xC3[\x80-\x96\x98-\xB6\xB8-\xBF]|\xC5[\x92\x93\xA0\xA1\xB8\xBD\xBE]){4,}/', $str, $match_arr);
$word_arr = $match_arr[0];

Answer 3

当您使用u 修饰符时，您可以使用以下模式（demo）：

preg_match_all('(\w{4,})u', $string, $matches);
print_r($matches[0]);

u modifier 表示：

u (PCRE_UTF8)：此修饰符打开与 Perl 不兼容的 PCRE 的附加功能。模式字符串被视为 UTF-8。此修饰符在 Unix 上的 PHP 4.1.0 或更高版本以及 win32 上的 PHP 4.2.3 中可用。自 PHP 4.3.5 起检查模式的 UTF-8 有效性。

Answer 4

您可以将下面的正则表达式用于简单的字符串。它将匹配任何最小长度 = 4 的非空白字符。

preg_match_all('/(\S{4,})/i', $str, $m);

现在$m[1] 包含您想要的数组。

更新：

正如 Gordon 所说，该模式也将匹配 '(20-40)'。可以使用此正则表达式删除不需要的数字：

preg_match_all('/(\pL{4,})/iu', $str, $m);

但我认为它只有在 PCRE 编译时支持 UTF-8 才有效。见PHP PCRE (regex) doesn't support UTF-8?。不过它可以在我的电脑上运行。

Answer 5

试试这个：

$str='Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres (20-40).';
preg_match_all('/([^0-9\s]){4,}/i', $str, $matches);
echo '<pre>';
var_dump($matches);
echo '</pre>';

Answer 6

用空格分解你的字符串（这将创建一个包含所有单词的数组），然后检查单词是否大于 4 个字母。

//The string you want to explode
$string = "Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres."
//explode your $string, which will create an array which we will call $words
$words = explode(' ', $string);

//for each $word in $words
foreach($words as $word)
{
    //check if $word length if larger then 4
    if(strlen($word) > 4)
    {
        //echo the $word
        echo $word;
    }
}

strlen();

strlen — 获取字符串长度

explode();

explode — 按字符串拆分字符串

Answer 7

$string = Sus azahares presentan gruesos pétalos blancos teñidos de rosa o violáceo en la parte externa, con numerosos estambres

$words = explode(' ', $string);
echo $words[0];
echo $words[1];

等等