Проблема с регулярным выражением

rash · October 7, 2008

Вот только что взялся за PHP, и сразу застрял на простейшей задаче (на мой взгляд).

Надо найти в тексте и определённым образом обработать все одно- и двухбуквенные слова. Для этого я составил регулярное выражение и использовал сфункцию preg_replace:

$textdata = preg_replace("/\s([а-Яё]{1,2})\s/", " *\\1* ", $textdata);

При этом результат обработки получается примерно таким:

Примочка монотонно представляет собой лирический фузз, *и* здесь мы видим ту самую каноническую секвенцию с разнонаправленным шагом отдельных звеньев. Явление культурологического порядка дает неизменный фьюжн, благодаря употреблению микромотивов (нередко из одного звука, *а* также двух-трех с паузами). Интервально-прогрессийная континуальная форма mezzo forte выстраивает дисторшн, *в* таких условиях можно спокойно выпускать пластинки раз *в* три года. Детройтское техно регрессийно начинает композиционный эффект "вау-вау", однако сами песни забываются очень быстро. Субтехника иллюстрирует флюгель-горн, благодаря быстрой смене тембров (каждый инструмент играет минимум звуков). Тетрахорд имитирует музыкальный канал, *и* если *в* одних голосах или пластах музыкальной ткани сочинения еще продолжаются конструктивно-композиционные процессы предыдущей части, то *в* других - происходит становление новых.

Как видим, обработались только однобуквенные слова, причем не все. В чем может быть причина, и как следовало бы составить это регулярное выражение?

ZoNT · October 7, 2008

Вот только что взялся за PHP, и сразу застрял на простейшей задаче (на мой взгляд).
Надо найти в тексте и определённым образом обработать все одно- и двухбуквенные слова. Для этого я составил регулярное выражение и использовал сфункцию preg_replace:
$textdata = preg_replace("/\s([а-Яё]{1,2})\s/", " *\\1* ", $textdata);
При этом результат обработки получается примерно таким:
Как видим, обработались только однобуквенные слова, причем не все. В чем может быть причина, и как следовало бы составить это регулярное выражение?

Регулярка правильная.

rash · October 7, 2008

Тогда я в растерянности

rash · October 7, 2008

Может полный код поможет понять в чем дело? Уже попробовал несколько других вариантов — пока безрезультатно…

Это только черновик:

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
	"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html  xmlns="http://www.w3.org/1999/xhtml">
	<head>
		<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
		<title>Результаты обработки</title>
		<style type="text/css">
			body {
				font: small Verdana, Geneva, Arial, Helvetica, sans-serif;
			}
			#result {
				border: 1px dotted #99F;
				padding: 10px;
				margin: 10px;
			}
		</style>
	</head>
	<body>
		<h1>Получены данные:</h1>
			<?
				$textdata = htmlspecialchars($_POST["text"]);
				$textdata = stripslashes($textdata);
				$textdata = preg_replace("/\s([а-Яё]{1,2})\s/", " *\\1* ", $textdata);
				echo "<div id=\"result\">".$textdata."</div>";
			?>
	</body>
</html>

ZoNT · October 7, 2008

Может полный код поможет понять в чем дело? Уже попробовал несколько других вариантов — пока безрезультатно…

Это только черновик:

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
	"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html  xmlns="http://www.w3.org/1999/xhtml">
	<head>
		<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
		<title>Результаты обработки</title>
		<style type="text/css">
			body {
				font: small Verdana, Geneva, Arial, Helvetica, sans-serif;
			}
			#result {
				border: 1px dotted #99F;
				padding: 10px;
				margin: 10px;
			}
		</style>
	</head>
	<body>
		<h1>Получены данные:</h1>
			<?
				$textdata = htmlspecialchars($_POST["text"]);
				$textdata = stripslashes($textdata);
				$textdata = preg_replace("/\s([а-Яё]{1,2})\s/", " *\\1* ", $textdata);
				echo "<div id=\"result\">".$textdata."</div>";
			?>
	</body>
</html>

Мне точно полный код не поможет - я ПХП не знаю...

rash · October 7, 2008

Ну может кто подскажет из знатоков :-)

yopopt · October 7, 2008

"/\s([а-яА-ЯёЁ]{1,2})\s/"

rash · October 7, 2008

Понял, пробовал, стало еще хуже…

По� *�* итическое м� *�* нипу� *�* иров� *�* ние, осо� *�* енно *в* ус� *�* овиях по� *�* итической нест *а* *б* и� *�* ьност *и* , ст *а* *б* и� *�* ьно. Приним� *�* *я* во вним� *�* ние по� *�* ицию *�* �. *Ф* укуямы, понятие по� *�* итического уч *а* стия *�* �еоретически и� *��* *�* юстрирует доиндустри� *��* *�* ьны *�* � *�* �ип по� *�* итической ку� *�* ьтуры, *�* � *�* � *о* мо� *�* ет привест *и* *к* военно-по� *�* итической *и* идео� *�* огической конфронт *а* *�* �ии *с* Японией. Соци� *��* *�* ьно-экономическое р� *��* *�* витие приводит постиндустри� *��* *�* и� *�* *м* , утвер� *�* д� *�* ет руководите� *�* ь *а* пп� *�* р� *��* � *�* � Пр� *�* вите� *�* ьства. По� *�* итическ� *�* *я* система верифицирует конструктивны *�* � *�* �еномен *�* �о� *�* пы, *�* � *�* � *о* по� *�* учи� *�* *о* отр� *��* *�* ение *в* *�* �руд� *��* � Михе� *�* ьса.

ZoNT · October 7, 2008

"/\s([а-яА-ЯёЁ]{1,2})\s/"

yopopt. так никто не извращается, а используют /i

rash · October 7, 2008

Может быть проблема кроется где-нибудь в кодировках?

Обе страницы — и с формой, и со скриптом — в UTF-8, тестируется на Denver’е.

rus · October 7, 2008

Так вроде как preg_replace - заменить?

А preg_match - найти соответствие...

Кодировку может сменить на Windows-1251 ?

rash · October 7, 2008

Так я и заменяю, для наглядности, все одно- и двухбуквенные слова хочу окружить звездочками, чтобы сразу видеть, где произошло совпадение, а где — нет.

А насчет кодировки сейчас попробую, но хотелось бы работать с UTF все-таки.

Плохо дело, проблема действительно в кодировках, с CP1251 вроде пока проблем не вижу, осталось найти, как заставить это все работать с UTF :-)

Иван Шумов · October 7, 2008

А с utf все должно работать, просто файлы у тебя пусть все будут в utf-8 я так сделал в движке и радуюсь

rash · October 7, 2008

Они у меня и так все в UTF, странно, с несколькими выражениями до этого проблем не было, а с некоторыми вот такая чушь происходит…

Кстати, может кто намекнуть, как в строке найти, к примеру, вложенные скобки любого уровня, чтобы была возможность их заменить на другие. Новую тему создавать не хочется, и пока застрял… :-)

ZoNT · October 7, 2008

Они у меня и так все в UTF, странно, с несколькими выражениями до этого проблем не было, а с некоторыми вот такая чушь происходит…
Кстати, может кто намекнуть, как в строке найти, к примеру, вложенные скобки любого уровня, чтобы была возможность их заменить на другие. Новую тему создавать не хочется, и пока застрял… :-)

http://www.pcre.ru/eval/

создавай регулярки на лету...

rash · October 7, 2008

Спасибо, думаю так действительно удобнее будет

yopopt · October 7, 2008

yopopt. так никто не извращается, а используют /i

Это понятно. Хотелось показать человеку почему его выражение не работает.

ZoNT · October 7, 2008

Это понятно. Хотелось показать человеку почему его выражение не работает.

так у него всё работает

yopopt · October 7, 2008

так у него всё работает

Нда... [а-Я] не может работать. Надо объяснять почему? Советую заглянуть в таблицу ASCII. Работать может [А-я] или [Ё-я].

rash · October 7, 2008

Если диапазон неверный, интерпретатор выдает предупреждение.

yopopt · October 7, 2008

Прочитал внимательно тему...

rash, в твоём случае регулярное выражение должно быть примерно таким: /\s([Ё-я]{2,4})\s/i

Не забывай, что для кодирования одного символа кириллицы в utf-8 используется два байта, а не один как в cp1251.

rash · October 7, 2008

Я понимаю то, что кириллица кодируется двумя байтами, но не совсем понимаю, что надо сделать, чтобы при этом нормально функционировали регулярные выражения (к сожалению, еще слишком мало знаю), ведь у меня все файлы и так находятся в UTF, таким образом расхождений в кодировании быть не должно.

Кстати, когда я экспериментировал, решая проблему самостоятельно, я пробовал даже перечислить весь алфавит явно, но в UTF все равно ничего как следует не работало.

yopopt · October 7, 2008

Ок. Вот твоё выражение из первого поста: /\s([а-Яё]{1,2})\s/

Что происходит? Сначала ты ищешь в одном байте (литера "1" в фигурных скобках) совпадение с двумя байтами символа из набора в квадратных скобках и, конечно же, совпадений не находишь, поскольку два байта не равно одному. Далее всё то же самое, но уже в двух байтах (литера "2" в фигурных скобках), соответственно совпадения вполне возможны, что мы и видим в результате из твоего первого поста в этой теме.

Путём нехитрых умозаключений можно понять, что нас интересует не один и два байта, а два и четыре, что я и предложил постом выше: /\s([Ё-я]{2,4})\s/i.

rash · October 7, 2008

Хм, то есть при анализе регулярного выражения формально символом считается один байт, независимо от реально используемой кодировки?

Проверю это предположение завтра, сегодня уже поздно, и если это окажется действительно так — буду очень благодарен, потому что станет понятно, как не допустить ошибок в следующий раз. Впрочем, все равно спасибо за попытки помочь и терпение, независимо от результата :-)

rash · October 7, 2008

Да, похоже что дело именно в этом, еще не все работает идеально, но уже нет таких ужасных искажений текста.

Кстати, ведь задавая квантификатор {2,4} мы будем осуществлять поиск по 2, 3 и 4 байтам, и хотя на тестовых примерах этого заметно не было, не может ли поиск по трем байтам дать какой-либо «побочный эффект», не имеет ли смысл переформулировать это так:

/\s([Ё-я]{2}|[Ё-я]{4})\s/

yopopt · October 8, 2008

Побочных эффектов не будет, поскольку три не равно ни двум, ни четырём, а мы ищем только кириллицу. Два байта символа кириллицы не равны двум символам латиницы или символу другого языка.

А вот какой вариант будет работать быстрее даже не знаю. Я бы потестил и просто выбрал самый быстрый.

Sign In

Проблема с регулярным выражением

Question

Link to comment

Share on other sites

25 answers to this question

Recommended Posts

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Link to comment

Share on other sites

Join the conversation

Обсуждения

Important Information