PHP Text zu Array von Wörter & Nichtwörter

[xliq]

Hallo zusammen,

ich möchte einen langen Text in einen Array umwandeln. Dieser Array umfasst sowohl die einzelne Wörter als auch Zeichen wie Leerzeichen, Komma sowie alle mögliche Zeichen.

Beispiel:

Input: Dies ist ein Text, mit unterschiedlichen Zeichen wie @,":.

Output:

array(24)
(
[0] => string(4) "Dies"
[1] => string(1) " "
[2] => string(3) "ist "
[3] => string(1) " "
[4] => string(3) "ein"
[5] => string(1) " "
[6] => string(4) "Text"
[7] => string(1) ","
[8] => string(1) " "
[9] => string(3) "mit"
[10] => string(1) " "
[11] => string(1) " "
[12] => string(1) " "
[13] => string(17) "unterschiedlichen"
[14] => string(1) " "
[15] => string(7) "Zeichen"
[16] => string(1) " "
[17] => string(3) "wie"
[18] => string(1) " "
[19] => string(1) "@"
[20] => string(1) ","
[21] => string(1) """
[22] => string(1) ":"
[23] => string(1) "."
)

Die Nichtwörter müssen nicht als einzelnes Element im Array sein, z.B. können auch mehrere Leerzeichen wie " " als ein Element zusammengefasst werden. Je nach welche Umsetzung einfacher ist

Ich hab bereits mit explode(), strtok(), preg_split(), preg_match() probiert, allerdings konnte ich bis jetzt keinen Array wie oben dargestellt erstellen.

 

[bog]

<?php

$str = "Dies ist ein Text, mit   unterschiedlichen Zeichen wie @,\":.";

preg_match_all("@(\\w+|.)@sim", $str, $m);

echo "<pre>";
var_dump($m[1]);

?>

 

[xliq]

wow nice, danke!

Regex muss ich noch richtig lernen

Ich hatte vergessen, paar multibyte Strings wie ä ö ü ins Beispiel reinzunehmen.

Wie muss man den regex anpassen, damit auch nicht englische Wörter semantisch korrekt getrennt werden?

 

[bog]

fueg zu den regex-flags noch ein "u" hinzu.

naja, und statt \w kannst du auch \p{L} probieren.

 

[blöderidiot]

<?php
  ...
  preg_match_all("@(\\w+|.)@sim", $str, $m);
   ...
?>

Hmm, sieht irgendwie zu kompliziert aus. Würde bei Umlauten versagen (fehlendes /u) und ist etwas zu redundant. Ich würde vielleicht sowas vorschlagen:

   ...
    preg_match_all('/\p{L}+|\W/u', $str, $m);
    var_dump($m[0]);
   ...

 

[rumbalotte]

again what learned - \p{L} kannte ich noch nicht, ist aber sehr praktisch, um zw. Buchstaben & Ziffern (\p{N})zu unterscheiden
Danke!

Ergänzung (28. Oktober 2016)

Hmm, sieht irgendwie zu kompliziert aus. Würde bei Umlauten versagen (fehlendes /u) und ist etwas zu redundant. Ich würde vielleicht sowas vorschlagen:

   ...
    preg_match_all('/\p{L}+|\W/u', $str, $m);
    var_dump($m[0]);
   ...

das läßt aber Ziffern außen vor; wenn die im Text vorkommen, werden die ignoriert

 

[blöderidiot]

das läßt aber Ziffern außen vor; wenn die im Text vorkommen, werden die ignoriert

Stimmt. Aber der OP hat nicht spezifiziert, ob sie vorkommen und was das dann sein soll. So:

preg_match_all('/\p{L}+|./u', $str, $m);

würden Zahlen "einzeln" im Array abgelegt und so:

    preg_match_all('/\p{L}+|\p{N}+|./u', $str, $m);

dann als Sequenz.

 

[xliq]

Vielen Dank für die Beispiele. Was mit den Zahlen passieren sollen weiß ich auch nicht. Aber nun stehen da genug Beispiele für all mögliche Fälle.

Regex ist wirklich sehr mächtig, jedoch fiel es mir immer schwer, Regex systematisch zu lernen. Wie lernt man Regex am besten?

 

[blöderidiot]

Wie lernt man Regex am besten?

Regex lernt man durch Regex. Nicht entmutigen lassen und Zeit für absolute Konzentration und Ruhe freimachen





PS.: bitte möglichst Papierbuch nehmen und nicht Kindle-Version. Die ist "kaputt".