涉及日语的PHP正则表达式

我的目标是过滤一个MicrosoftWord文档（.docx），其中包含所有日文汉字和假名。 我目前使用的代码如下：

preg_match_all('~[\x{4e00}-\x{9faf}]([\x{3040}-\x{309f}]) \= ([a-z]) \=+~u', $data, $matches);

根据一些研究，我发现日语文本的unicode值如下：

我正在处理的数据示例如下所示：

時(とき) = toki=时间；小时；场合；时刻を = wo=标记句子直接宾语的助词(時 = 时间）超えて(こえて) = 科特=交叉

我的最终目标是能够以类似的模式运行preg_match_all获取数据，就像”超えて(こえて) = 科伊特” 之前的信息（以及（）内部的信息）和之后的罗马化介于之间==

我要查找的结果是返回的数组，如下所示：

array(
    0 => array('時', 'とき', 'toki'),
    1 => array('超えて', 'こえて', 'koete')
);

---

每个数组中的第一个结果包括“汉字、平假名，可能还有片假名”虽然第二个结果只有平假名，第三个结果只有普通的字母字符。我对正则表达式和添加Japaense unicode不太在行，我不知道，任何帮助都将不胜感激！谢谢！

如果使用

/u

修饰符，您可以使用特殊的unicode正则表达式占位符而不是数字范围：

preg_match_all('/
    ([\p{Han}\p{Katakana}\p{Hiragana}]+)    # Kanji
    (?: [(]                                 # optional part: paren (
    ([\p{Hiragana}]+)                       # Hiragana
    [)] )?                                  # closing paren )
    \s*=\s*                                 # spaces and =
    ([\w\s;=]+)                             # English letters
    /ux',
    $source,  $matches, PREG_SET_ORDER
);
print_r($matches);

我注意到parens中的平假名是可选的，所以我用

（？：…）？

使您的正则表达式更加复杂，它将该部分进行了可选化

请注意，结果顺序有点不同，因为preg_match_all在索引[0]中保留完整的匹配字符串，通常：

[0] => Array
    (
        [0] => 時(とき) = toki = time; hour; occasion; moment
        [1] => 時
        [2] => とき
        [3] => toki = time; hour; occasion; moment
    )