丢弃搜索词前后的前 10 个单词以外的所有字符

Question

我正在尝试在我正在开发的网站之一中完成搜索功能。由于我的搜索结果只显示匹配项内容的摘录，我想做的是突出显示搜索结果中的搜索词，并仅显示实际包含这些搜索词的部分文本。

我想我要做的是从数据库中获取全部内容并使用 preg_replace 在搜索词周围插入 <span> 元素，同时仅提取词前后的前 10 个词.所以这是它的正则表达式部分：

(?:.*?)((?:\w+\W+){0,10})('.implode('|', $terms).')((?:\W*\w+\W+){0,10})

基本上，我尝试通过使用非捕获子模式“丢弃”除搜索词之前的前 10 个单词之外的所有文本，然后获取该词之前的 10 个词，然后是词本身，然后是接下来的 10 个词。

这是preg_replace中的替换文字：

\\1<span class="search-term search-term-content">\\2</span>\\3...

正在通过MySQL 的MATCH()...AGAINST() 在多个列上搜索MyISAM FULLTEXT indeces 的搜索词。但是，上述正则表达式仅应用于一列（我们称此列，即使用上述正则表达式的列，content）。

所以我的问题是，每当我在其他列而不是 content 列上得到匹配时，上面的正则表达式就会从 content 列中删除所有文本。这是因为一开始的 (?:.*?) 子模式会继续匹配，而不会找到下一个子模式。

我想知道是否有任何其他方法可以在没有这种副作用的情况下实现正则表达式的原始目的。我目前正在考虑简单地使用 preg_match_all 来匹配搜索词及其前后的 10 个单词。我将遍历所有匹配项并手动构建预览文本。是的，这是一个不错的解决方案，但考虑到我对正则表达式的缺乏经验，我想我不妨尝试找到一个解决方案。

更新

我刚刚注意到，当我输入 2 个或更多搜索词时，我只会得到空白 contents。除此之外，它完美无缺。我现在不知道为什么会这样。

更新 2

回显preg_last_error()，我收到此错误PREG_BACKTRACK_LIMIT_ERROR。我使用 new 和 post 作为搜索词。

正则表达式的var_dump 和术语显示了这一点：

@(?:.*?)((?:\w+\W+){0,10})(new|post)((?:\W*\w+\W+){0,10})@i

array
  0 => string 'new' (length=3)
  1 => string 'post' (length=4)

更新 3

我使用Regex Coach 引导我完成匹配模式，它似乎在找不到(new|post) 的匹配项后回溯太多。目标文本只是一个随机的 3 段 lorem ipsum。我想我需要为这项任务找到一个更好的正则表达式。

更新 4

使用Once-Only 子模式可以解决问题。虽然我不知道它的细节，但我只是重新阅读了 PHP 手册并阅读了其中的一部分，Once-Only 子模式有助于过多的回溯。这是新的正则表达式：

(?:.*?)((?>\w+\W+){0,10})('.implode('|', $terms).')((?:\W*\w+\W+){0,10})

但我仍然愿意为更好的正则表达式提供建议。谢谢！

Answer 1

如果您在达到回溯限制时遇到问题，通常需要查看once-only subpatterns。

在这种情况下，您的主要问题似乎是(?:.*?) 后面跟着(?:\w+\W+){0,10}。以字符串 'hello world!' 为例，暂时忽略 {0,10}。这将匹配以下所有两种模式：

• ''和'你好'
• 'h' 和 '你好'
• 'he' 和 'llo'
• 'hel' 和 'lo'
• '地狱'和'o'
• “你好”和“世界！”
• “你好 w”和“orld！”
• 'hello wo' 和 'rld!'
• 'hello wor' 和 'ld!'
• “你好世界”和“d！”

阻止这种冗余回溯的最简单方法是在(?:.*?) 子模式之后添加字边界检查 (\b)。这会将这些潜在的匹配减少到

• ''和'你好'
• “你好”和“世界！”

编辑：以下是为什么一次性子模式在这里不起作用的示例：

preg_replace('/(?>[a-z]{0,2})a/','x','bac')

在这个例子中，我们期望结果是“xc”，但是子模式贪婪地匹配到“ba”，然后从不回溯，因此错过了匹配。我们可以使模式不贪婪，但随后我们会得到结果 'bxc'，因为它在匹配子模式的 '' 后永远不会回溯。