php - 如何在 PHP 中使用正则表达式将文本拆分为 Unicode 单词

Question

我有一个网站模块，它从 Twitter 收集一些推文并将它们拆分为单词并放入数据库中。然而，由于推文通常包含土耳其语字符 [ıöüğşçйÖÜĞŞÇ]，我的模块无法正确划分单词。

例如，短语 Aynı labda çalıştığım 被拆分为 Ayn、labda 和 alıştığım，但它应该分为 Aynı、labda 和 çalıştığım

这是我完成这项工作的代码:

preg_match_all('/(\A|\b)[A-Z\Ç\Ö\Ş\İ\Ğ\Ü]?[a-z\ç\ö\ş\ı\ğ\ü]+(\Z|\b)/u', $text,$a);

您认为这里有什么问题吗？

重要提示:我并不愚蠢，不会用空格字符分割文本，我需要这些字符完全匹配。我不需要任何数字或特殊字符，例如 [,.!@#$^&*123456780]。

我需要一个正则表达式来分割它 kısa isimleri ile“Vic”和“Wick”vardı。

进入此:

kısa
isimleri
ile
Vic
ve
Wick
vardı

更多示例:

我们是@test

We
re
test

Föö bär，我们@test to0 ÅäÖ - 123 好吗？ kthxbai？被分成这样，

b
r
we
re
test
ok
kthxbai

但我希望它是:

Föö
bär
we
re
test
ÅÄÖ
ok
kthxbai

Answer 1

我会看一下 mb_split() .

$str = 'We\'re @test Aynı labda çalıştığım';
var_dump(\mb_split('\s', $str));

给我:

array
  0 => string 'We're' (length=5)
  1 => string '@test' (length=5)
  2 => string 'Aynı' (length=5)
  3 => string 'labda' (length=5)
  4 => string 'çalıştığım' (length=16)