替换除缩写以外的所有标点符号

Question

我在PHP中有一个正则表达式，用空格替换了我不需要的所有内容

/[^a-z0-9\p{L}]/siu

但是有一个例外，我想保留标点符号作为缩写。

例：

FBIFederal.Bureau.of.Investigation =>'FBI联邦调查局'

SWATTeam =>'特警队'

应该：

FBIFederal.Bureau.of.Investigation =>'FBI联邦调查局'

SWATTeam =>'特警队'

PHP代码：

$s = "F.B.I.Federal.Bureau.of.Investigation";
return preg_replace('/[^a-z0-9\p{L}]/siu', " ", $s);

因此逻辑是，它应该检查第一个匹配项的第二个字符，如果它是一个'。 字符，然后不要替换。 不知道使用正则表达式是否可以实现，那么我将不胜感激PHP的替代方法。

Answer 1

实际上，缩写有很多类型，正如乔恩·斯特林（Jon Stirling）所说，这里并没有100％有效的解决方案，因为您需要过滤掉所有可能的缩写。 您可能会偷看@ndn的一些精美正则表达式解决方案，并在那里获取与缩写相关的模式部分。

如果您只需要处理类似问题中的模式，则可以考虑使用

'~(\b(?:\p{Lu}\.){2,})|[^0-9\p{L}]~u'

或-如果D.Word也应被视为缩写：

'~(\b(?:\p{Lu}\.)+)|[^0-9\p{L}]~u'

并替换为'$1 ' 。 参见regex演示 。

图案细节 ：

• (\\b(?:\\p{Lu}\\.)+) -第1组（以后使用$1反向引用引用）：1次或更多次出现的任何Unicode大写字母和一个小点
• | - 要么
• [^0-9\\p{L}] -不是ASCII数字和Unicode字母的任何字符。

这是带有@ndn缩写的正则表达式的变体：

'~\b((?:[Ee]tc|St|Gen|Hon|Prof|Dr|Mr|Ms|Mrs|[JS]r|Col|Maj|Brig|Sgt|Capt|Cmnd|Sen|Rev|Rep|Revd|pp|[Vv]iz|i\.?\s*e|[Vvol]|[Rr]col|maj|Lt|[Ff]ig|[Ff]igs|[Vv]iz|[Vv]ols|[Aa]pprox|[Ii]ncl|Pres|[Dd]ept|min|max|[Gg]ovt|lb|ft|c\.?\s*f|vs|\p{Lu}(?:\.\p{Lu})+)\.)|[^0-9\p{L}]~'

参见regex演示 。

如果不想删除- ， (和) ，只需确保将它们添加到否定的字符类中，将[^0-9\\p{L}]替换为[^0-9\\p{L}()-]

可以通过添加更多缩写来进行更新，或者通过缩小替代项来进行增强。