用php regex从包含html标记的文本中获取所有单词

Question

我目前正在尝试用PHP从包含html标记的文本中获取所有单词

我的regex有一个问题，如果一个单词以重音结束（例如“é”），我的单词就不会被捕获。

$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);

Answer 1

如果要使用regex，可以使用：

<[^>]+>(*SKIP)(*FAIL)|([A-zÀ-ÿ]+)

工作演示

请注意，regex字符类中的字符范围使用ASCII范围，我用了最简单的方法，但请记住，该范围包含您可能不需要的符号。如果要支持特定字符，请检查ascii表并使用所需的范围

<[^>]+>(*SKIP)(*FAIL)|([A-zÀ-ÿ']+)

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

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

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

工作演示