正则表达式字边界在 PHP 中究竟是如何工作的？

Question

我目前正在编写一个用于匹配内容中特定单词的库。

本质上，它的工作方式是将单词编译成正则表达式，并通过所述正则表达式运行内容。

我要添加的一个功能是指定要匹配的给定单词是否必须开始和/或结束一个单词。 例如，我有单词cat 。 我指定它必须以一个单词开头，因此catering将匹配为cat开头，但ducat不匹配，因为cat不以该单词开头。

我想使用word boundary来做到这一点，但在一些测试中我发现它不像我期望的那样工作。

采取以下措施，

preg_match("/(^|\b)@nimal/i", "something@nimal", $match);
preg_match("/(^|\b)@nimal/i", "something!@nimal", $match);

在上面的陈述中，我希望得到以下结果，

> false
> 1 (@nimal)

但结果却适得其反，

> 1 (@nimal)
> false

首先，我预计它会失败，因为该组将吃掉@ ，让nimal与@nimal匹配，显然它没有。 相反，该组匹配一个空字符串，因此匹配@nimal ，这意味着@被认为是单词的一部分。

第二，我希望这群人吃! 离开@nimal以匹配 rest （它应该）。 相反，它似乎结合了! 和@一起组成一个词，通过以下匹配确认，

preg_match("/g\b!@\bn/i", "something!@nimal", $match);

任何想法为什么正则表达式会这样做？

我只是喜欢一个清楚地记录单词边界是如何确定的页面，我只是找不到适合我一生的页面。

Answer 1

单词边界\b匹配从\w （单词字符）到\W非单词字符的变化。 如果在您的@之前有一个\b是一个\W字符，那么您想要匹配。 所以要匹配你的@之前需要一个单词字符

something@nimal
        ^^

==> 由于g和@之间的单词边界而匹配。

something!@nimal
         ^^ 

==> 不匹配，因为在! 和@没有字边界，两个字符都是\W

Answer 2

我在进行类似匹配时遇到的一个问题是can't和it's类的词，其中撇号被视为单词/非单词边界（因为它与\W而不是\w匹配）。 如果这对您来说可能是个问题，您应该排除撇号（以及有时出现的所有变体，例如 ' 和 '），例如通过创建 class 例如[\b^'] 。

您可能还会遇到真正属于单词的 UTF8 字符（即我们人类对单词的意思）的问题，例如，针对您对Svašek类的单词进行编码的方式测试您的正则表达式。

因此，在解析普通“语言”文本时，通常更容易查找“语言”边界，例如空格字符（不仅仅是字面上的空格，而是完整的 class，包括换行符和制表符）、逗号、冒号、句号等（以及如果您正在解析 HTML，则使用尖括号）。 YMMV。

Answer 3

@不是单词字符的一部分（在您的语言环境中，它可能是，但是，默认情况下，“单词”字符是任何字母或数字或下划线字符， Source -所以@不是word字符，因此不是\w而是\W和链接的任何\w\W或\W\w组合标记 a \b position ），因此它始终是匹配的单词边界（在OP的正则表达式中）。

以下内容与您的正则表达式类似，不同之处在于使用a而不是@ 。 并且行首也是一个单词边界，所以也不需要指定它：

$r = preg_match("/\b(animal)/i", "somethinganimal", $match);
var_dump($r, $match);

$r = preg_match("/\b(animal)/i", "something!animal", $match);
var_dump($r, $match);

Output：

int(0)
array(0) {
}
int(1)
array(2) {
  [0]=>
  string(6) "animal"
  [1]=>
  string(6) "animal"
}