Javascript 将字符串解析为没有英文字符和发音的单词

我试图在Javascript中将字符串拆分为单个单词的数组。第一步很简单：

words = text.split(/\b\s+(?!$)/);

除了不使用标点符号作为分隔符外，此解决方案工作正常。例如写“你好！你好吗？”，在单词数组中，我发现“你好！”、“你好”、“你好”、“你呢？”

我用一个不太优雅的解决方案解决了这个问题（但它是有效的！）

但仍然存在一个大问题。如果str包含任何非英语字符（例如意大利语字符ò、á、ù、ù），则方法split不会分割单词

例如，如果文本是“Perchései partito？”，则“Perchései”被拆分为数组单词的单个元素（就像它是单个单词一样）

---

有解决办法吗？非常感谢你的帮助

有关删除标点符号的更优雅的解决方案，请参见此处：

为解决您的重音字符问题，请考虑使用以下正则表达式：

(?=\w|\W)\s+

不过，这一个选择了空换行符，但如果您使用我链接的问题中的顶级解决方案，这应该足以解决您的问题：

(?=\w|\W)\s

---

有关删除标点符号的更优雅的解决方案，请参见此处：

为解决您的重音字符问题，请考虑使用以下正则表达式：

(?=\w|\W)\s+

不过，这一个选择了空换行符，但如果您使用我链接的问题中的顶级解决方案，这应该足以解决您的问题：

(?=\w|\W)\s

通过使用，可以创建数组。但是，您可以使用

match

返回单词数组，而不是使用split（尝试按匹配项拆分字符串）

var wordsRegex = /([^\x00-\x7F]|\w)+/g;
var sentence = 'Hello! How are you?';
console.log(sentence.match(wordsRegex));  //=> ['Hello', 'How', 'are', 'you']

sentence = 'Perché sei partito?';
console.log(sentence.match(wordsRegex));  //=> ['Perché', 'sei', 'partito']

不过，您需要注意的一点是，正则表达式只考虑英语标点符号，因此如果字符串包含拉丁语标点符号（例如

），则会在结果中得到这些标点符号

sentence = 'Perché sei partito¡';
console.log(sentence.match(wordsRegex));  //=> ['Perché', 'sei', 'partito¡']

如果需要排除非英语标点符号，可以向正则表达式中添加任何要排除的标点符号。如果你想排除所有可能的非英语字符和英语字符，你会得到一个相当大的正则表达式，所以你可能只想考虑排除最常见的正则表达式，而把其他词作为“足够好”。不要试图排除

˥

符号，因为它不太可能用于普通句子中。

通过使用，您可以创建数组。但是，您可以使用

match

返回单词数组，而不是使用split（尝试按匹配项拆分字符串）

var wordsRegex = /([^\x00-\x7F]|\w)+/g;
var sentence = 'Hello! How are you?';
console.log(sentence.match(wordsRegex));  //=> ['Hello', 'How', 'are', 'you']

sentence = 'Perché sei partito?';
console.log(sentence.match(wordsRegex));  //=> ['Perché', 'sei', 'partito']

不过，您需要注意的一点是，正则表达式只考虑英语标点符号，因此如果字符串包含拉丁语标点符号（例如

），则会在结果中得到这些标点符号

sentence = 'Perché sei partito¡';
console.log(sentence.match(wordsRegex));  //=> ['Perché', 'sei', 'partito¡']

---

如果需要排除非英语标点符号，可以向正则表达式中添加任何要排除的标点符号。如果你想排除所有可能的非英语字符和英语字符，你会得到一个相当大的正则表达式，所以你可能只想考虑排除最常见的正则表达式，而把其他词作为“足够好”。不尝试排除

˥

符号，因为它不太可能在普通句子中使用。

使用

字符串的另一种解决方案。match

函数：

var str = "Perché sei partito?",
    words = str.match(/[a-zA-Z\u00C0-\u1FFF\u2C00-\uD7FF]+\b/g);

console.log(words);   // ["Perch", "sei", "partito"]

---

使用

String.match

函数的另一种解决方案：

var str = "Perché sei partito?",
    words = str.match(/[a-zA-Z\u00C0-\u1FFF\u2C00-\uD7FF]+\b/g);

console.log(words);   // ["Perch", "sei", "partito"]

---

那么您在ASCII字符之间进行了检查了吗？正则表达式将获取所有不在NULL到DEL（0-127）范围内的unicode字符。由于该范围还包括所有英文字符，我们需要使用

\w

将它们添加回。这太神奇了，我从来都不知道。所以您在ASCII字符之间进行了检查？正则表达式将获取所有不在NULL到DEL（0-127）范围内的unicode字符。由于该范围还包括所有英文字符，我们需要使用

\w

将它们添加回。这太神奇了，我从来不知道。