php获取标签内文本,使用php regex从包含html标签的文本中获取所有单词

我目前正尝试使用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)，我的单词就不会被捕获。

我的正则表达式是

$re = '/([^

\t\f>< /]+(?!>))\b/';

$str = 'Non ! Non ! Je ne veux pas d\'un éléphant dans un boa.

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.

-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);

但是，在我的例子中，单词"_l_v_"不匹配

请在此处找到一个示例：Regex Live示例

为什么这个正则表达式与重音不匹配？

请发布一个代码示例，以便我们更好地提供帮助，但您可能正在寻找mb-ereg-u匹配-默认情况下，php的字符串函数只能操作ASCII字符。

打开你的"活例子"，匹配8是éléphant，其中包括你的重音字符。

抱歉，我更新了我的帖子。单词"elev&233；"不匹配。谢谢你的帮助

@用户3257966 YW！如果答案有助于解决您的问题，请参阅此处(：

如果要使用regex，可以使用：

]+>(*SKIP)(*FAIL)|([A-zà-?]+)

工作演示

请注意，regex character类中的字符范围使用ASCII范围，我用最简单的方法，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

另外，如果要将c'est捕获为单个单词，则只需在character类中添加单引号，如下所示：

]+>(*SKIP)(*FAIL)|([A-zà-?']+)

编辑：如果您检查Bobble气泡注释，您将发现Unicode标志的一个非常有用的用法。引用他的评论，您可以使用一个非常简单的regex，方法是使用这样的EDOCX1(unicode)标志：

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

工作演示

如果您希望由-分隔的单词(如Dessine-moi)匹配为单个单词而不是2，只需将连字符添加到carecter类中，如下所示：

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

编辑2：由于您第二次编辑了您的问题，并且还评论说您不希望使用初始连字符，因此您可以使用此regex:

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

工作演示

或者用[\w\'-]代替[A-zÀ-ÿ']和u (PCRE_UTF8)标志(也不需要捕获组)。还可以了解为什么A-z会导致意外的匹配。

谢谢费德里克！只是一点小意思，"c'est"在2个部分是匹配的，但必须只有一个词。有可能吗？(juste 1匹配if')thx

@BobbleBubble，对了，这就是为什么我把关于ASCII范围的注释放在这里的原因，这个想法是为了显示范围特性，我让OP来实现他想要使用的任何范围。

@用户3257966我已经回答了这个问题，并以c'est为例。阅读答案，最后你会发现第二个regex与c'est匹配为一个单词。

@BobbleBubble非常有用，他不知道\w在Unicode模式下也匹配重音字符。我在答案中添加了这个信息。谢谢你的评论

THX@Frederico，你救了我一天：)

@BobbleBubble THX也是！

最后一件事我的朋友……如果这个符号开始我的话，我怎么也抓不到这个符号呢？像这样：-莱西莫迪尔穆顿…(我编辑了我的帖子)

@用户3257966我已经为您的评论添加了第二个编辑

@费德里科广场非常感谢！

@弗雷德里科。对不起，我对瑞格斯很不好，但在这里，"圣人有手，朝圣者的手会碰到，"朝圣者被他的"抓住"这个词，有什么解决办法吗？：)

@用户3257966，你可以试试这个]+>(*SKIP)(*FAIL)|(\w+(?:[\w'-]*\w+))。工作演示

@费德里科广场！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！