如何使用 preg_replace 删除过多的单个空格

Question

我们正在从 PDF 文件中提取文本，结果中包含格式错误的文本的频率很高。特别是在单词的字符之间添加空格。例如SEATTLE 将作为 S E A T T L E 返回。

在n 单个字符“单词”的数量的情况下，preg_replace 是否有一个 RegEx 表达式可以删除任何空格？具体来说，从任何超过 3 个单个字母字符且以空格分隔的字符串中删除空格？

如果用谷歌搜索了一段时间，但甚至无法想象如何构造表达式。如评论中所述，我不希望删除所有空格，但仅当出现> 3个单个字母字符时，例如Welcome to the Greater S E A T T L E area 应该变成 Welcome to the Greater SEATTLE area。结果将用于全文搜索，因此不区分大小写。

Answer 1

您可以使用preg_replace_callback 的简单方法。匹配匿名函数中的'~\b[A-Za-z](?: [A-Za-z]){2,}\b~' 和str_replace 空格：

$regex = '~\b[A-Za-z](?: [A-Za-z]){2,}\b~';
$result = preg_replace_callback($regex, function($m) {
     return str_replace(" ", "", $m[0]);
}, $s);

请参阅regex demo。

要仅匹配大写字母序列，请从模式中删除 a-z：

$regex = '~\b[A-Z](?: [A-Z]){2,}\b~';

还有一件事：可能有软/硬空格、制表符、其他类型的空格。然后，使用

$regex = '~\b[A-Za-z](?:\h[A-Za-z]){2,}\b~u';
                        ^^                ^

最后，要匹配任何 Unicode 字母，请使用 \p{L}（仅匹配大写字母 \p{Lu}）而不是 [a-zA-Z]：

$regex = '~\b\p{L}(?:\h\p{L}){2,}\b~u';

注意：它很可能在某些情况下无法工作，例如当有一个字母的单词时。您将不得不单独/手动处理这些情况。无论如何，没有安全的纯正则表达式来解决 OCR 问题。

模式详情

• \b - 单词边界
• [A-Za-z] - 一个字母
• (?: [A-Za-z]){2,} - 出现 2 次或更多
  • - 一个空格（\h 匹配任何类型的水平空格）
  • [A-Za-z] - 一个字母
• \b - 单词边界

当使用 u 修饰符时，\h 变为可识别 Unicode。

Answer 2

您可以一次性完成：

(?i:(?<!\S)([a-z]) +((?1))|\G(?!\A) +((?1))\b)

见live demo here

解释：

(?i: # Start of non-capturing group with case-insensitive modifier on
    (?<!\S) # Negative lookbehind to ensure there is no leading non-whitespace character
    ([a-z]) + # Capture one letter and at least one space
    ((?1)) # Capture one letter in 2nd capturing group
    | # Or
    \G(?!\A) + # Start match from where previous match ends 
               # with matching spaces
    ((?1))\b # Match a letter at word boundary
) # End of non-capturing group

PHP 代码：

$str = preg_replace('~(?i:(?<!\S)([a-z]) +((?1))|\G(?!\A) +((?1))\b)~', '$1$2$3', $str);

Answer 3

您可以使用这种带有环视和\G 的纯正则表达式方法：

$re = '~\b(?:(?=(?:\pL\h+){3}\pL\b)|(?<!^)\G)(\pL)\h+(?=\pL\b)~';

$repl = preg_replace($re, '$1', $str);

RegEx Demo

正则表达式详细信息：

• \b: 匹配单词边界
• (?:: 启动非捕获组
  • (?=(?:\pL\h+){3}\pL\b)：提前断言我们有 3+ 个单个字母，由 1+ 个空格分隔
  • |: 或者
  • (?<!^)\G：\G 在上一场比赛结束时断言位置。 (?<!^) 确保我们不匹配第一个匹配的字符串开头
• ): 结束非捕获组
• (\pL)：匹配单个字母并捕获它
• \h+：后跟1+水平空格
• (?=\pL\b): 断言我们前面只有一个字母
• 在替换中，我们使用$1，这是我们捕获的空格左侧的字母