涉及日语的PHP正则表达式

Question

我的目标是通过抓取所有日语汉字和假名的Microsoft Word文档（.docx）进行过滤。 当前的代码，我有工作如下：

preg_match_all('~[\x{4e00}-\x{9faf}]([\x{3040}-\x{309f}]) \= ([a-z]) \=+~u', $data, $matches); 

根据一些研究，我发现日语文本的Unicode值如下：http://www.rikai.com/library/kanjitables/kanji_codes.unicode.shtml

我与看起来像工作数据的例子这个：

时（とき）= toki =时间;小时;场合;时刻を= WO =粒子​​标记句子的直接对象（时=时间）超えて（こえて）= koete =交叉

我的最终目标是要能够运行preg_match_all以类似的取数据模式，看起来像“超えて（こえて）= koete” 之前的信息（以及之间的信息和后面的罗马化之间= =

我正在寻找的结果将返回数组，看起来如：

array(
    0 => array('時', 'とき', 'toki'), 
    1 => array('超えて', 'こえて', 'koete') 
); 

每个数组中的第一个结果在包含“汉字，平假名和可能的片假名”，而第二个结果仅为平假名，第三个结果仅为常规字母字符。我用正则表达式不太好，添加了Japaense unicode，我很无助，任何帮助都会真的被赞赏！谢谢！

Answer 1

您可以使用特殊的Unicode正则表达式的占位符代替的数值范围，如果你使用/u修改：

preg_match_all('/ 
    ([\p{Han}\p{Katakana}\p{Hiragana}]+) # Kanji 
    (?: [(]         # optional part: paren (
    ([\p{Hiragana}]+)      # Hiragana 
    [)])?         # closing paren) 
    \s*=\s*         # spaces and = 
    ([\w\s;=]+)        # English letters 
    /ux', 
    $source, $matches, PREG_SET_ORDER 
); 
print_r($matches); 

我已经注意到了平假名在括号是可选的，所以我做了你的正则表达式多一点与(?: ...)?复杂，它可选择该部分。

注意，结果排序是有点不同，因为preg_match_all保持在指数完全匹配字符串[0]通常是：

[0] => Array 
    (
     [0] => 時(とき) = toki = time; hour; occasion; moment 
     [1] => 時 
     [2] => とき 
     [3] => toki = time; hour; occasion; moment 
    )