我有一个 Web 应用程序，它读取网页内容并使用 NLP 算法解析句子。我一直在使用正则表达式将内容拆分为单个句子，然后解析它们。
我想Â从我的句子中删除类似的字符。我想，这些字符是因为 HTML 编码。
我显然不能使用正则表达式[^\w\d]+或它的变体，因为我需要完整的标点符号。当然，我可以为每个标点符号添加单独的例外，[^\w\d\.,:]+等等，但如果有更简单的方法可以做到这一点，我希望它，比如可能知道它是一个......有趣的角色的角色类？
任何帮助都感激不尽。谢谢。
编辑：该应用程序是用 PHP 构建的，我使用简单file_get_contents()的方法从站点获取 HTML 数据并读取<p>标签内的内容。