php - unicode 模式下的 preg_split : delim_capture not working?

Question

我正在尝试使用正则表达式将一大块中文文本拆分成句子。就我而言，句子分隔符是:

• 全角句号。(0x3002)
• 全角问号？(0xFF1F)
• 全角感叹号!(0xFF01)

现在，假设我的 $str 是这样的:$str = "你好。你好吗？我是程序员，不太懂这个我的问题，希望大家能帮得上忙!一起加油吧!";

我使用带有这些参数的 preg_split:

$str2 = preg_split("/([\x{3002}\x{FF01}\x{FF1F}])/u",$str,PREG_SPLIT_DELIM_CAPTURE|PREG_SPLIT_NO_EMPTY);

$str2 现在是一个数组，如下所示:

array(3) { [0]=> string(6) "你好" [1]=> string(9) "你好吗" [2]=> string(91) " 我是程序员，不太懂这个我问题，希望大家能够帮忙！一起加油吧！" }

然而，预期的输出是:

[0] "你好。" 
[1] "你好吗？"
[2] "我是程序员，不太懂这个我问题，希望大家能够帮忙！"
[3] "一起加油吧！"

如您所见，存在两个问题:这不能正确处理感叹号，其次，我的全角句号和全角问号消失了。我希望 delim_capture 保留它们。我已经查看这段代码很长时间了，我不可能再弄清楚问题出在哪里了。我非常感谢您的建议。

Answer 1

您的正则表达式代码应该是这样的，以便能够捕获字符串 + 分隔符:

$str = "你好。你好吗？ 我是程序员，不太懂这个我问题，希望大家能够帮忙！一起加油吧！";
$arr = preg_split("/\s*([^\x{3002}\x{FF01}\x{FF1F}]+[\x{3002}\x{FF01}\x{FF1F}]\s*)/u",
                  $str, 0, PREG_SPLIT_DELIM_CAPTURE|PREG_SPLIT_NO_EMPTY );
var_dump($arr);

输出:

 array(4) {
  [0]=> string(9)  "你好。"
  [1]=> string(13) "你好吗？ "
  [2]=> string(72) "我是程序员，不太懂这个我问题，希望大家能够帮忙！"
  [3]=> string(18) "一起加油吧！"
}