Php 从IRC日志中提取文本

我想从irc日志中提取文本。我有来自irssi的常规IRC日志，如下所示：

00:12 -!- Barbora [post@gw1-nat-041.roburnet.sk] has joined #post.sk
00:12 -!- mirinda [~post@195.91.55.136] has quit [Broken pipe]
00:12 -!- rogue1 [post@86-41-114-24-dynamic.b-ras2.lmk.limerick.eircom.net] has joined #post.sk
00:12 -!- Komunista is now known as Anonym9901
00:13 -!- ajka [~post@78.141.102.209] has quit [Client exited]
00:16 < blackmamba> no fuj
00:16 < blackmamba> Komunista: lol
00:16 < blackmamba> "este trochu"
00:16 < blackmamba> "je taky velky"
00:17 -!- majopo [post@adsl-d192.84-47-63.t-com.sk] has quit [Client exited]
00:19 -!- Anonym9901 is now known as Komunista
00:19 -!- dido84 [post@BSN-143-83-49.dial-up.dsl.siol.net] has quit [Client exited]
00:19 < Komunista> no?
00:20 < Komunista> ja by som*nadavka*l
00:20 < Komunista> ako pes
00:20 -!- Komunista is now known as Anonym53560 

no fuj lol este trochu je taky velky no ja by som*nadavka*l ako pes

所以，只有用空格分隔的单词，没有其他，没有刻痕，没有引用标记，问号等。我需要它作为LDA的输入

我将通过后处理来消除刻痕，我认为这会更容易，还是

我更喜欢带正则表达式的PHP，我不擅长它，这就是为什么我请大家帮忙

谢谢你抽出时间

编辑：

现在我使用这个代码（感谢m.buettner）：

$input=；
，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，“：-Þ”、“：-Þ”、“：-b”、“：b”、“=P”、“>:o”、“>:o”、“：-o”、“：o”、“：o”，“o.o”、“o.o”、“8-0”、“>：\”、“>：/”、“：-/”、“：-”、“：\”、“=/”、“=\”、“：S”、“：”（“、”；”（“]）；
$input=str_替换（$smiles，，$input）；
$resultStr=''；
preg_match_all（'/^\d\d:\d\d\s+\s（[^\r\n]*）/m'，$input，$matches）；
$resultStr=内爆（“”，$matches[1]）；
$resultStr=preg_replace（'/[^\w\s*]+/'，''$resultStr）；
preg_match_all（'//m'，$input，$nicks）；
$nicks[0]=str_replace（[''，'%'，'+'，'$'，'@']，''，'$nicks[0]）；
$resultStr=str_replace（$nicks[0]，“”，$resultStr）；

如有任何改进建议，我们将不胜感激；）

诸如此类的建议

preg_match_all('/^\d\d:\d\d\s+<[^>]*>([^\r\n]*)/m', $input, $matches);

$resultStr = implode(' ', $matches[1]);
$resultStr = preg_replace('/[^\w\s*]+/', '', $resultStr);

preg_match_all（'/^\d\d:\d\d\s+]*>（[^\r\n]*）/m'，$input，$matches）；
$resultStr=内爆（“”，$matches[1]）；
$resultStr=preg_replace（'/[^\w\s*]+/'，''$resultStr）；

首先，我们匹配

hh:mm

之后的所有内容，直到行尾。然后，我们将这些结果与空格连接在一起，然后删除所有非单词、非空格、非星号字符。在

preg\u replace

的字符类中添加其他要保留的字符，类似这样的情况

preg_match_all('/^\d\d:\d\d\s+<[^>]*>([^\r\n]*)/m', $input, $matches);

$resultStr = implode(' ', $matches[1]);
$resultStr = preg_replace('/[^\w\s*]+/', '', $resultStr);

preg_match_all（'/^\d\d:\d\d\s+]*>（[^\r\n]*）/m'，$input，$matches）；
$resultStr=内爆（“”，$matches[1]）；
$resultStr=preg_replace（'/[^\w\s*]+/'，''$resultStr）；

---

首先，我们匹配

hh:mm

之后的所有内容，直到行尾。然后，我们将这些结果与空格连接在一起，然后删除所有非单词、非空格、非星号字符。在

preg\u replace

中的character类中添加您想要保留的其他字符类似于

Barbora

blackmamba

Komunita

@Fake.It.Til.U.Make.It Just text from humans:）的单词，如果有必要，我将通过后处理来删除刻痕。我不希望IRC服务器上的线条，除了“/me”之外“命令，如果你知道它是什么。关于

已经加入了

和其他单词，如

Barbora

blackmamba

komunita

@Fake.it.Til.U.Make.it只是来自人类的文本：）如果有必要，我将通过后处理来删除刻痕。我不想从IRC服务器中删除行，除非从“/me”命令。谢谢，但是数组$matches似乎是空的，我有PHP5.4，或者是正则表达式有问题？我试过这个：preg_match_all（'/^\d\d:\d\d\s+\s（[^\r\n]*）/m'，$input，$matches）；它对我有效。这是好的解决方案，还是你有更好的解决方案？对不起，我错过了

^[]后面的
*

。我现在就解决这个问题。如果您的模式匹配所有可能的情况，也没关系。谢谢，但是数组$matches似乎是空的，我有PHP5.4，或者是regex有问题？我尝试过这个：preg_match_all（'/^\d\d:\d\d\s+\s（[^\r\n]*）/m'，$input，$matches）；这对我很有效。这是一个好的解决方案，还是您有更好的解决方案？对不起，我错过了

[^>]

后面的

*

。我现在就解决这个问题。如果您的模式与所有可能的情况都匹配，那么就可以了。