PHP preg_match 组重复

Question

我有一个（php5.2 和 5.3）正则表达式，它需要从用户帖子（可能包括电子邮件地址和超链接）中提取前 $x 个句子，并且在试图找出原因时遇到了麻烦（是的，它是一个丑陋的正则表达式；我会在它工作时对其进行优化）：

/^(([^.!?]+|(\w+[.@?&=%:])+\w+)+[.!?]+\s){0,4}/

返回前四个句子，但是

/^(([^.!?]+|(\w+[.@?&=%:])+\w+)+[.!?]+\s){0,5}/

不返回任何匹配项。我的理解是 {0,5} 应该匹配前一个组 0 到 5 次，因此如果它只能匹配它 4 次，它应该仍然有效。

谁能解释一下这种行为？

更新：$x 只是一个任意数字；在正则表达式中使用 {0,$x}。帖子被过滤为由单个空格分隔的句子。对不起，丑陋的表情......现在已经研究了几天，它让我很头疼......做出了sawa建议的改变。我的主要问题是关于行为，组匹配的内容应该没有那么重要。

Update2：这基本上就是我正在做的事情：

function extractSummary($message, $limit) {
  $expr = '/^(([^.!?]+|(\w+[.@?&=%:])+\w+)+[.!?]+\s){0,'.$limit.'}/';
  $msg = preg_replace('/[\x00-\x1f\x80-\xff]/', "\n" strip_tags($message));
  $msg = trim(preg_replace('/(\n|\s| )+/', ' ', $msg)).' ';
  preg_match($expr, $msg, $summary);
  return $summary[0];
}

一个句子（至少在我看来，没有进入 NLP 领域，因为它只是用于站点中的一个功能）是任何不超过句点、感叹号或问号的东西，但句点可以出现在句子中的URL 的电子邮件地址。这个正则表达式的最后一个版本最多只计算了 5 个句点，因此在链接和电子邮件地址上中断了。

更新 3：意识到我刚刚添加了更可怕的代码，我将解释最后一个。一些发布的内容被发现有非打印字符（如 \r 等）与正则表达式不能很好地配合，所以我用第一个 preg_replace 删除了非打印字符。第二个用一个空格替换任何进一步的空白组，因此希望句子之间正好用一个空格分隔。

Answer 1

我认识的句子如下：

一句话是：

• 最短的序列，最长为句号、感叹号或问号，
• 可选地后跟单引号或双引号，
• 后跟空格或字符串结尾。

空格或字符串结尾的这种要求会处理电子邮件地址中的句点，因为电子邮件地址中的句点不会出现在空格之前或字符串末尾。

/[^ ](?:.*?[.!?]['"]*(?= |\z)){0,4}/

Answer 2

正则表达式以无条件匹配空白字符结束。如果输入中恰好有 5 个句子并且在最后一个句点之后没有空格，则第一个将匹配，但第二个不会。

Answer 3

这个经过测试的函数应该可以解决问题：

function get_sentences($text, $x) {
    $regex = "/\A(?:.*?[\w\"'][.?!](?=['\"]?\s|\$)){0,{$x}}/ms";
    if (preg_match($regex, $text, $matches)) return $matches[0];
    return ''; // Never get here (will always match).
}

这是正则表达式的注释版本：

$regex = '/# Match first $x sentences, each ending in [.?!]
    \A                # Anchor to beginning of string
    (?:               # Non-capture group to apply count
      .*?             # Lazily match zero or more characters.
      [\w"\']         # Last char before end is word or quote.
      [.?!]           # End of sentence puntuation [.?!]
      (?=[\'"]?\s|$)  # But only if followed by space or EOL
    ){0,5}            # Match from zero to $x sentences.
    /smx';

请注意，这也处理以引号结尾的句子，例如"This one." 或 "This one!" 或“这个”？