如何从文本中删除所有字母数字单词？

Posted 2023-03-28

【中文标题】如何从文本中删除所有字母数字单词？

【英文标题】：How to remove all alphanumeric words from the text?

【发布时间】：2015-02-24 23:18:06

【问题描述】：

我正在尝试在 php 中编写正则表达式，它只会删除字母数字单词（包含数字的单词），但不会删除具有 punctuation 和类似特殊字符的数字（例如价格、电话数字等）。

应该删除的词：

1st、H20、2nd、O2、3rd、NUMB3RS、Rüthen1、Wrocław2

不应该删除的词：

0,5.5,10,$100,£65,+44,(20),123,ext:124,4.4-BSD,

这是目前为止的代码：

$text = 'To remove: 1st H20; 2nd O2; 3rd NUMB3RS; To leave: Digits: -2 0 5.5 10, Prices: $100 or £65, Phone: [phone] ext:124, 4.4-BSD';
$pattern = '/\b\w*\d\w*\b-?/';
echo $text, preg_replace($pattern, " ", $text);

但是它会删除所有单词，包括数字、价格和电话。

到目前为止，我还尝试了以下模式：

/(\\s+\\w1,2(?=\\W+))|(\\s+[a-zA-Z0-9_-]+\\d+)/ # Removes digits, etc.
/[^(\w|\d|\'|\"|\.|\!|\?|;|,|\\|\/|\-|:|\&|@)]+/ # Doesn't work.
/(\\s+\\w1,2(?=\\W+))|(\\s+[a-zA-Z0-9_-]+\\d+)/ # Removes too much.
/[^\pL\pN-]+/u                       # It removes only special characters.
/(^[\D]+\s|\s[\D]+\s|\s[\D]+$|^[\D]+$)+/ # Removes words.
/ ?\b[^ ]*[0-9][^ ]*\b/i                 # Almost, but removes digits, price, phone.
/\s+[\w-]*\d[\w-]*|[\w-]*\d[\w-]*\s*/    # Almost, but removes digits, price, phone.
/\b\w*\d\w*\b-?/                         # Almost, but removes digits, price, phone.
/[A-Za-z0-9]*[A-Za-z][A-Za-z0-9]*/       # Almost, but removes too much.

我在 SO（它们中的大多数通常过于具体）和其他假设删除带有数字的单词的网站上发现的，但事实并非如此。

如何编写一个简单的正则表达式，可以在不涉及其他内容的情况下删除这些单词？

示例文本：

删除：1stH20； 2ndO2; 3rdNUMB3RS;

离开：数字：-2 0 5.5 10，价格：100 美元或 65 英镑，电话：[phone] 分机：124, 4.4-BSD

预期输出：

删除：; ; ;离开：数字：-2 0 5.5 10，价格：100 美元或 65 英镑，电话：[phone] 分机：124, 4.4-BSD

【问题讨论】：

我会对空格进行拆分以获取单词数组，然后用数字检查每个单词是否包含特殊字符，如果是，则从数组中删除，然后用空格将数组内爆为胶水。它不是正则表达式，但它会更容易正确。

你期望的输入和输出是什么？你能举个简短的例子吗？

@hek2mgl 我已经添加了预期的输出。

您需要（准确地）定义您的意思：“特殊字符”。

【参考方案1】：

将\b(?=[a-z]+\d|[a-z]*\d+[a-z]+)\w*\b\s* 替换为空怎么样？

演示：https://regex101.com/r/jA2fW3/1

图案代码：

$pattern = '/\b(?=[a-z]+\d|[a-z]*\d+[a-z]+)\w*\b\s*/i';

要匹配包含外国/重音字母的字母数字单词，请使用以下模式：

$pattern = '/\b(?=[\pL]+\d|[\pL]*\d+[\pL]+)[\pL\w]*\b\s*/i';

演示：https://regex101.com/r/jA2fW3/3

【讨论】：

工作得很好，但是诸如Rüthen1、Wrocław2之类的词被删除了一半。我知道它没有在描述中预测，但很高兴拥有。我尝试为 Unicode 添加 u 修饰符，但没有按预期工作。我会尝试寻找一些解决方案。

我尝试用\pL 替换a-z 的所有实例（以匹配来自任何语言的任何类型的字母），但它似乎无法正常工作，但是这种方法有效在 hwnd 的例子中。

@kenorb 很高兴你让它工作了，虽然我能让我的工作regex101.com/r/jA2fW3/3。

【参考方案2】：

您可以如下修改正则表达式以获得所需的输出。

$text = preg_replace('/\b(?:[a-z]+\d+[a-z]*|\d+[a-z]+)\b/i', '', $text);

要匹配来自任何语言的任何类型的字母，请使用 Unicode 属性\pL：

$text = preg_replace('/\b(?:\pL+\d+\pL*|\d+\pL+)\b/u', '', $text);