使用php regex從包含html標記的文本中獲取所有單詞

Question

我目前正在嘗試使用PHP從包含html標簽的文本中獲取所有單詞

我的正則表達式有問題，如果一個單詞以重音結尾（例如“é”），那么我的單詞不會被捕獲。

我的正則表達式是

$re = '/([^\r\n\t\f>< /]+(?!>))\b/';
$str = 'Non ! Non ! Je ne veux pas d\'un éléphant dans un boa.<br>
<p> Un boa c\'est très dangereux, et un éléphant élévé c\'est très encombrant. Chez moi c\'est tout petit. J\'ai besoin d\'un mouton. Dessine-moi un mouton.
</p>
-Laisse-moi dire mouton... For saints have hands that pilgrims\' hands do touch

“;

preg_match_all($re, $str, $matches);

// but word elevé is not completely match
print_r($matches);

但在我的示例中，“élévé”一詞不匹配

請在這里找到一個例子： regex live example

為什么此正則表達式不匹配帶有重音符號的最后一個字符？

Answer 1

如果要使用正則表達式，可以使用：

<[^>]+>(*SKIP)(*FAIL)|([A-zÀ-ÿ]+)

工作演示

請注意，正則表達式字符類中的字符范圍使用ASCII范圍，我采用了最簡單的方法，但請記住，該范圍包含您可能不需要的符號。 如果要支持特定字符，請檢查ascii表並使用所需范圍

此外，如果要將c'est捕獲為單個單詞，則只需在字符類中添加單引號，如下所示：

<[^>]+>(*SKIP)(*FAIL)|([A-zÀ-ÿ']+)

編輯：如果您檢查氣泡泡泡注釋，您會發現unicode標志的非常有用的用法。 引用他的評論，您可以通過利用u （unicode）標志來使用非常簡單的正則表達式，如下所示：

<[^>]+>(*SKIP)(*FAIL)|([\w']+)

工作演示

如果您希望Dessine-moi分隔的單詞-例如Dessine-moi作為單個單詞而不是2進行匹配，只需將連字符添加到caracter類中，如下所示：

<[^>]+>(*SKIP)(*FAIL)|([\w'-]+)

編輯2：由於您是第二次編輯問題，並且還評論說不想使用初始連字符，因此可以使用此正則表達式：

<[^>]+>(*SKIP)(*FAIL)|([\w']+(?:[\w'-]*))

工作演示