如何从字符串中删除（大多数）短单词

Question

我目前使用以下正则表达式从字符串中删除长度小于4个字符的单词。

$dirty = "I welcome you to San Diego";
$clean = preg_replace("/\b[^\s]{1,3}\b/", "", $dirty);

因此，这将导致“欢迎Diego”；

然而，现在我需要忽略某些单词的替换，例如：

$ignore = array("San", "you");

会导致"欢迎您圣地亚哥"的结果。

- neil

---

大多数搜索引擎通过指定“停用词”黑名单来处理此问题。http://armandbrahaj.blog.al/2009/04/14/list-of-english-stop-words/ - Frank Farmer

[^\s] 用于代替 \S，你是否意识到 \b 的定义不是基于 \S 和 \s，而是仅基于 \w？ - tchrist

Answer 1

您可以使用(?!..)负向断言来嵌入您的忽略列表：

 preg_replace("/\b(?!San|you|not)\w{1,3}\b/", "", ...

我建议使用\w 而不是 [^\s]，以便只匹配单词。

- mario

---

这似乎比回调函数更优雅，并且很可能性能更好。 - Halcyon

@Frits：在这里嵌入一个以|分隔的单词列表也更容易。但是无论如何，我还是点赞了回调函数的替代方案；}即使只是因为我认为preg_replace_callback提及得太少了。 - mario

@Frits：确实，唯一的“缺点”就是在将单词列表通过preg_quote运行之前应该使用|进行拼接，但这也可以在一行中使用array_map完成，所以这并不是一个大问题。不知道为什么这个答案没有被接受。 - Alix Axel

Answer 2

我建议使用回调函数 (preg_replace_callback)，因为它可以提供更具可维护性的解决方案，如果你需要处理大量的单词：

echo preg_replace_callback(
    '/\b[^\s]{1,3}\b/',
    create_function(
        '$matches',
        '$ignore = array("San", "you");
         if (in_array($matches[0], $ignore)) {
            return $matches[0];
         } else {
            return \'\';
         }'
    ),
    "I welcome you to San Diego"
); 
// output: welcome you San Diego 

如果您使用的是 PHP 5.3 或更高版本，可以使用匿名函数代替调用 create_function。

- webbiedave

---

请记住，create_function会产生已知的内存泄漏问题。最好避免使用它。 - Halcyon

我认为你想要的是 \b\w{1,3}\b。 - tchrist