0

我正在尝试从字符串中删除噪音词，并且我有我认为是一个很好的算法，但我遇到了障碍。在我执行 preg_replace 之前，我删除了除撇号 (') 之外的所有标点符号。我把它放在这个 preg_replace 中：

$content = preg_replace('/\b('.implode('|', self::$noiseWords).')\b/','',$content);

效果很好，除了确实具有 ' 字符的单词。preg_replace 似乎将其视为边界字符。这对我来说是个问题。

有没有办法解决这个问题？也许是一个不同的解决方案？

谢谢！

这是我正在使用的示例：

$content = strtolower(strip_tags($content));
    $content = preg_replace("/(?!['])\p{P}/u", "", $content);// remove punctuation
    echo $content;// i've added striptags for editing as well should still workyep it doesnbsp

    $content = preg_replace("/\b(?<')(".implode('|', self::$noiseWords).")(?!')\b/",'',$content);

    $contentArray = explode(" ", $content);

    print_r($contentArray);

在第 3 行，您将看到 preg_replace 之前的 $content 的注释

尽管我假设您可以猜到我的 noiseWords 数组是什么样的，但这只是其中的一小部分：

$noiseWords = array("a", "able","about","above","abroad","according","accordingly","across",
        "actually","adj","after","afterwards","again",......)
4

1 回答 1

0

您可以使用消极的后视和积极的前瞻来确保您没有“围绕”引用字符：

$regex = "/\b(?<!')(".implode('|', self::$noiseWords).")(?!')\b/";

现在，您的正则表达式将不匹配任何前面或后面带单引号的内容。

于 2012-07-31T01:29:52.730 回答