正则表达式单词边界在 PHP 中究竟是如何工作的？

Question

我目前正在编写一个库，用于匹配内容中的特定单词。

基本上它的工作方式是将单词编译成正则表达式，并通过所述正则表达式运行内容。

我要添加的功能是指定要匹配的给定单词是否必须开始和/或结束一个单词。例如，我有单词cat。我指定它必须开始一个单词，所以catering 将匹配，因为cat 在开头，但ducat 不会匹配 因为cat 没有开始这个词。

我想使用word boundaries 执行此操作，但在一些测试中我发现它并没有像我预期的那样工作。

采取以下，

preg_match("/(^|\b)@nimal/i", "something@nimal", $match);
preg_match("/(^|\b)@nimal/i", "something!@nimal", $match);

在上面的陈述中，我希望得到以下结果，

> false
> 1 (@nimal)

但结果却恰恰相反，

> 1 (@nimal)
> false

首先，我预计它会失败，因为该组将吃掉@，让nimal 与@nimal 匹配，显然它不会。相反，该组匹配一个空字符串，因此匹配@nimal，这意味着@ 被认为是单词的一部分。

在第二个中，我希望该组吃掉!，留下@nimal 以匹配其余部分（它应该这样做）。相反，它似乎将! 和@ 组合在一起形成一个单词，通过以下匹配确认，

preg_match("/g\b!@\bn/i", "something!@nimal", $match);

知道为什么正则表达式会这样做吗？

我只是喜欢一个清楚地记录单词边界是如何确定的页面，我只是找不到一个适合我的生活。

Answer 1

单词边界\b 匹配从\w（单词字符）到\W 非单词字符的变化。如果在 @ 之前有一个 \b ，您想要匹配，这是一个 \W 字符。所以要匹配你的@之前需要一个单词字符

something@nimal
        ^^

==> 由于g 和@ 之间的单词边界而匹配。

something!@nimal
         ^^ 

==> 不匹配，因为! 和@ 之间没有单词边界，两个字符都是\W

Answer 2

我在进行类似匹配时遇到的一个问题是像can't 和it's 这样的单词，其中撇号被认为是单词/非单词边界（因为它与\W 匹配，而不是\w） .如果这对您来说可能是个问题，您应该排除撇号（以及有时出现的所有变体，例如 ' 和 '），例如通过创建一个类，例如[\b^'].

您可能还会遇到真正属于单词一部分的 UTF8 字符（即我们人类对单词的含义）的问题，例如测试您的正则表达式与您对诸如 Svašek 之类的单词的编码方式。

因此，在解析普通“语言”文本时，通常更容易查找“语言”边界，例如空格字符（不仅仅是字面意义上的空格，而是包括换行符和制表符在内的完整类）、逗号、冒号、句号、等（如果您正在解析 HTML，则使用尖括号）。 YMMV。

Answer 3

@ 不是单词字符的一部分（但是，在您的语言环境中，可能是默认 “单词”字符是任何字母或数字或下划线字符, Source - 所以@ 不是word 字符，因此不是\w 而是\W 并且链接任何\w\W 或\W\w 组合标记一个\b position），因此它始终是匹配的单词边界（在 OP 的正则表达式中）。

以下内容与您的正则表达式类似，不同之处在于使用a 而不是a。并且行首也是一个单词边界，所以也不需要指定它：

$r = preg_match("/\b(animal)/i", "somethinganimal", $match);
var_dump($r, $match);

$r = preg_match("/\b(animal)/i", "something!animal", $match);
var_dump($r, $match);

输出：

int(0)
array(0) {
}
int(1)
array(2) {
  [0]=>
  string(6) "animal"
  [1]=>
  string(6) "animal"
}