Php 仅拆分特殊字符上的文本，但不拆分带小数点的数字

我正在考虑PHP中一个特殊的regexp问题，但我找不到解决方案。 我尝试将一些文本拆分为术语，以获得简单的单词、数字和网址

所以我决定对每个非字母数字字符（\w）进行拆分

为了使用不同的语言，我将\w与其他字母一起使用，如Ääè等

例如：

20,000 15.20 This is at Text. Right?!
www.google.com Jean Béraud

到目前为止，我使用以下regexp分割文本：

[^\w(äÄüÜöÖßèé)]

这在80%的情况下运行良好，但将20000分为20000个，将www.google.com分为www.google.com

所以我试着把数字放在一起，但还是在点上分开，比如

Text.

得到

Text

为了匹配15.20，下面的工作：

（\d+\.\d+）

，但是如何将否定与其他regexp字符串组合？以下操作将不起作用：

（\d+.\d+）[^\w（ä196;ü220;öÖ223;è）]

？
还有：我如何处理网址？

类似这样的东西

$result = preg_split('/\W*\s+/', $string, NULL, PREG_SPLIT_NO_EMPTY);

，结果：

array(10) {
  [0]=>
  string(6) "20,000"
  [1]=>
  string(5) "15.20"
  [2]=>
  string(4) "This"
  [3]=>
  string(2) "is"
  [4]=>
  string(2) "at"
  [5]=>
  string(4) "Text"
  [6]=>
  string(5) "Right"
  [7]=>
  string(14) "www.google.com"
  [8]=>
  string(4) "Jean"
  [9]=>
  string(7) "Béraud"
}

问：在我的例子中，为什么

\w

与

匹配

答：这基于使用PCRE库的本地系统，来自：

“word”字符是任何字母、数字或下划线字符，即可以是Perl“word”的一部分的任何字符。字母和数字的定义由PCRE的字符表控制，如果发生特定于语言环境的匹配，则可能会有所不同。例如，在“fr”（法语）区域设置中，某些大于128的字符代码用于重音字母，这些字符代码由\w匹配

或者，将正则表达式指定为使用UTF-8可能会有所帮助：

$result = preg_split('/\W*\s+/u', $string, NULL, PREG_SPLIT_NO_EMPTY);

确保
$string
是UTF-8编码的。由于UTF-8是国际性的，因此可能不需要考虑特定的语言环境设置。试一试。
根据@hakre的答案和你的例子，我认为你应该以这种方式将这两种表达结合起来：

$result = preg_split('/[^\wäÄüÜöÖßèé]*\s+[^\wäÄüÜöÖßèé]*/', $string, NULL, PREG_SPLIT_NO_EMPTY);

您的原始表达式成功地匹配了相应的字符（代码>部分）

来自@hakre的表达式补充说，这些字符可以有任意数量（甚至没有一个字符），并且后面还应该跟一个或多个空格实例（
\s+
部分）

当你把这两个想法结合起来时，你会得到
[^\wä196;ü220;Ö収収収]*\s+[^\wä196;収収収収収]*

不在此字符类中的任意数量的字符，后跟至少一个空白字符，然后可能后跟不在此字符类中的任意数量的字符

或

一个或多个空白字符，以及在此字符类之前或之后不在此字符类中的任意数量的字符

作为测试，我使用了这个文本示例（我假设您希望匹配法语字符）：

这个正则表达式：
已编辑

/[^\wßàâäèéêëîïôöœùûüÿç]*(^|$|\s+)[^\wßàâäèéêëîïôöœùûüÿç]*/i

通过@hakre使用的同一站点：


结束编辑

该测试表明，即使单词以其中一个特殊字符开头或结尾，表达式也会分裂。我在表达式末尾添加了
/I
开关，以使匹配不区分大小写。
空格拆分对您不起作用吗？不，因为我还需要将“Text.”拆分为“Text”。spliiting und spaces将忽略！？：，；理论上，这项工作是有效的，但在我的服务器配置上不是，因为外来字母将匹配为\W:-（-我将再次调查此问题…这听起来像是提供pcre库的系统上的区域设置问题。您可能需要使用
mb_字符串
扩展名中的一些正则表达式函数和/或正确检查编码/字符集。看起来，
preg_拆分
在
mb_字符串
世界中不存在另一方面：您正在使用preg_split，但没有使用
mb*
命令，并且得到了正确的结果。您是如何做到的？@TheBndr：我已经对答案添加了解释，可能还有另一个修复方法，请尝试。谢谢-我已经研究了那些mb*东西，并发现
$string
不是UTF-8
mb∗check_编码（$string，'UTF-8'）
。因此，我使用
$string=mb_convert_编码（$string，'UTF-8'）将
$string
更改为UTF-8；
现在，
'/\W*\s+/u'
工作得非常好。：-）非常感谢！！现在我尝试将您的rexexp更改为在单词开头或结尾拆分
，
，在
“开始”或“结束”拆分：
“这里”
“这里”
一个
开始”
（没有开始-结束
”
）谢谢你的回答！
/i
是一个非常有用的提示。>我想你想匹配法语字符<不仅仅是法语。在中，有来自世界各地不同姓名的不同短信。当然，这些姓名有国家字符，如贝劳、穆勒等。使用你的链接（）我注意到在
Béraud？
的末尾没有拆分，以便在没有
？
的情况下获得
Béraud
。另一方面，它适用于
对吧！
？我更正了答案中的表达式（并添加了一个新链接），因此它也适用于字符串的开头和结尾（并忽略任何开头或结尾标点）-如果您想匹配多个法语字符，请将它们添加到每个字符类中。您可以使用一个表达式来匹配您能想到的所有特殊字符，也可以使用每种语言。根据您使用的位置，可能有更好的方法来解析字符串-例如，如果字符串包含$20000，您将获得20000，不知道是美元、英镑还是里拉如果你想保留货币符号，你可以将它们添加到相应的字符类中。谢谢你的更新。我会记住这个解决方案，以备将来使用。特别是如果“\w”
/[^\wßàâäèéêëîïôöœùûüÿç]*(^|$|\s+)[^\wßàâäèéêëîïôöœùûüÿç]*/i