php - 确定不同类型文本中的章节编号
问题描述
我正在从与小说相关的帖子中提取标题。目的是通过使用正则表达式来确定帖子是关于哪一章的。每个站点使用不同的方式来识别章节。以下是最常见的情况:
$title = 'text chapter 25.6 text'; // c25.6
$title = 'text chapters 23, 24, 25 text'; // c23-25
$title = 'text chapters 23+24+25 text'; // c23-25
$title = 'text chapter 23, 25 text'; // c23 & 25
$title = 'text chapter 23 & 24 & 25 text'; // c23-25
$title = 'text c25.5-30 text'; // c25.5-30
$title = 'text c99-c102 text'; // c99-102
$title = 'text chapter 99 - chapter 102 text'; // c99-102
$title = 'text chapter 1 - 3 text'; // c1-3
$title = '33 text chapter 1, 2 text 3'; // c1-2
$title = 'text v2c5-10 text'; // c5-10
$title = 'text chapters 23, 24, 25, 29, 31, 32 text'; // c23-25 & 29 & 31-32
章节编号总是列在标题中,只是在上面显示的不同变体中。
到目前为止我所拥有的
到目前为止,我有一个正则表达式来确定章节的单个案例,例如:
$title = '9 text chapter 25.6 text'; // c25.6
使用此代码(尝试ideone):
function get_chapter($text, $terms) {
if (empty($text)) return;
if (empty($terms) || !is_array($terms)) return;
$values = false;
$terms_quoted = array();
foreach ($terms as $term)
$terms_quoted[] = preg_quote($term, '/');
// search for matches in $text
// matches with lowercase, and ignores white spaces...
if (preg_match('/('.implode('|', $terms_quoted).')\s*(\d+(\.\d+)?)/i', $text, $matches)) {
if (!empty($matches[2]) && is_numeric($matches[2])) {
$values = array(
'term' => $matches[1],
'value' => $matches[2]
);
}
}
return $values;
}
$text = '9 text chapter 25.6 text'; // c25.6
$terms = array('chapter', 'chapters');
$chapter = get_chapter($text, $terms);
print_r($chapter);
if ($chapter) {
echo 'Chapter is: c'. $chapter['value'];
}
如何使用上面列出的其他示例进行此操作?鉴于这个问题的复杂性,如果符合条件,我将奖励 200 分。
解决方案
逻辑
我建议采用以下结合正则表达式和通用字符串处理逻辑的方法:
- 与适当的正则表达式一起使用以匹配从数组中的关键字开始到与该术语相关的最后一个数字(+可选部分字母)
preg_match
的整个文本块的第一次出现$terms
- 获得匹配后,创建一个包含输入字符串、匹配值和后处理匹配的数组
- 可以通过删除连字符数字之间的空格并重建数字范围来完成后处理,以防数字与
+
、&
或,
字符连接。这需要一个多步骤操作:1)匹配前一个整体匹配中的连字符分隔的子字符串并修剪掉不必要的零和空格,2)将数字块拆分为单独的项目并将它们传递给将生成数字的单独函数范围 - 该
buildNumChain($arr)
函数将创建数字范围,如果数字后面有一个字母,则将其转换为section X
后缀。
解决方案
您可以使用
$strs = ['c0', 'c0-3', 'c0+3', 'c0 & 9', 'c0001, 2, 03', 'c01-03', 'c1.0 - 2.0', 'chapter 2A Hello', 'chapter 2AHello', 'chapter 10.4c', 'chapter 2B', 'episode 23.000 & 00024', 'episode 23 & 24', 'e23 & 24', 'text c25.6 text', '001 & 2 & 5 & 8-20 & 100 text chapter 25.6 text 98', 'hello 23 & 24', 'ep 1 - 2', 'chapter 1 - chapter 2', 'text chapter 25.6 text', 'text chapters 23, 24, 25 text','text chapter 23, 25 text', 'text chapter 23 & 24 & 25 text','text c25.5-30 text', 'text c99-c102 text', 'text chapter 1 - 3 text', '33 text chapter 1, 2 text 3','text chapters 23, 24, 25, 29, 31, 32 text', 'c19 & c20', 'chapter 25.6 & chapter 29', 'chapter 25+c26', 'chapter 25 + 26 + 27'];
$terms = ['episode', 'chapter', 'ch', 'ep', 'c', 'e', ''];
usort($terms, function($a, $b) {
return strlen($b) - strlen($a);
});
$chapter_main_rx = "\b(?|" . implode("|", array_map(function ($term) {
return strlen($term) > 0 ? "(" . substr($term, 0, 1) . ")(" . substr($term, 1) . "s?)": "()()" ;},
$terms)) . ")\s*";
$chapter_aux_rx = "\b(?:" . implode("|", array_map(function ($term) {
return strlen($term) > 0 ? substr($term, 0, 1) . "(?:" . substr($term, 1) . "s?)": "" ;},
$terms)) . ")\s*";
$reg = "~$chapter_main_rx((\d+(?:\.\d+)?(?:[A-Z]\b)?)(?:\s*(?:[,&+-]|and)\s*(?:$chapter_aux_rx)?(?4))*)~ui";
foreach ($strs as $s) {
if (preg_match($reg, $s, $m)) {
$p3 = preg_replace_callback(
"~(\d*(?:\.\d+)?)([A-Z]?)\s*-\s*(?:$chapter_aux_rx)?|(\d+(?:\.\d+)?(?:[A-Z]\b)?)(?:\s*(?:[,&+]|and)\s*(?:$chapter_aux_rx)?(?1))*~ui", function($x) use ($chapter_aux_rx) {
return (isset($x[3]) && strlen($x[3])) ? buildNumChain(preg_split("~\s*(?:[,&+]|and)\s*(?:$chapter_aux_rx)?~ui", $x[0]))
: ((isset($x[1]) && strlen($x[1])) ? ($x[1] + 0) : "") . ((isset($x[2]) && strlen($x[2])) ? ord(strtolower($x[2])) - 96 : "") . "-";
}, $m[3]);
print_r(["original" => $s, "found_match" => trim($m[0]), "converted" => $m[1] . $p3]);
echo "\n";
} else {
echo "No match for '$s'!\n";
}
}
function buildNumChain($arr) {
$ret = "";
$rngnum = "";
for ($i=0; $i < count($arr); $i++) {
$val = $arr[$i];
$part = "";
if (preg_match('~^(\d+(?:\.\d+)?)([A-Z]?)$~i', $val, $ms)) {
$val = $ms[1];
if (!empty($ms[2])) {
$part = ' part ' . (ord(strtolower($ms[2])) - 96);
}
}
$val = $val + 0;
if (($i < count($arr) - 1) && $val == ($arr[$i+1] + 0) - 1) {
if (empty($rngnum)) {
$ret .= ($i == 0 ? "" : " & ") . $val;
}
$rngnum = $val;
} else if (!empty($rngnum) || $i == count($arr)) {
$ret .= '-' . $val;
$rngnum = "";
} else {
$ret .= ($i == 0 ? "" : " & ") . $val . $part;
}
}
return $ret;
}
请参阅PHP 演示。
要点
- 匹配
c
或chapter
/chapters
与它们后面的数字,捕获只是c
和数字 - 找到匹配项后,处理包含数字序列的组 2
- 所有
<number>-c?<number>
子字符串都应该去掉空格和c
数字之前/之间 - 所有
,
/&
分隔的数字都应进行后处理,buildNumChain
以生成连续数字的范围(假定为整数)。
主正则表达式将如下所示$terms = ['episode', 'chapter', 'ch', 'ep', 'c', 'e', '']
:
'~(?|(e)(pisodes?)|(c)(hapters?)|(c)(hs?)|(e)(ps?)|(c)(s?)|(e)(s?)|()())\s*((\d+(?:\.\d+)?(?:[A-Z]\b)?)(?:\s*(?:[,&+-]|and)\s*(?:(?:e(?:pisodes?)|c(?:hapters?)|c(?:hs?)|e(?:ps?)|c(?:s?)|e(?:s?)|)\s*)?(?4))*)~ui'
请参阅正则表达式演示。
图案细节
(?|(e)(pisodes?)|(c)(hapters?)|(c)(hs?)|(e)(ps?)|(c)(s?)|(e)(s?)|()())
- 一个分支重置组,它捕获搜索词的第一个字母并将剩余的词捕获到强制组 2。如果有一个空词,()()
则添加 以确保组中的分支包含相同数量的团体\s*
- 0+ 个空格((\d+(?:\.\d+)?(?:[A-Z]\b)?)(?:\s*(?:[,&+-]|and)\s*c?(?3))*)
- 第 2 组:(\d+(?:\.\d+)?(?:[A-Z]\b)?)
- 第 3 组:1+ 位,后跟 1+ 位的可选序列.
,然后是可选的 ASCII 字母,后跟非单词字符或字符串结尾(注意不区分大小写的修饰符也会[A-Z]
匹配小写 ASCII字母)(?:\s*(?:[,&+-]|and)\s*(?:(?:e(?:pisodes?)|c(?:hapters?)|c(?:hs?)|e(?:ps?)|c(?:s?)|e(?:s?)|)\s*)?(?4))*
- 零个或多个序列\s*(?:[,&+-]|and)\s*
- a,
,&
,+
,-
或and
用可选的 0+ 空格括起来(?:e(?:pisodes?)|c(?:hapters?)|c(?:hs?)|e(?:ps?)|c(?:s?)|e(?:s?)|)
- 任何带有可选复数结尾的术语s
(?4)
- 第 4 组模式递归/重复
当正则表达式匹配时,第 1 组的值为c
,因此它将是结果的第一部分。然后,
"~(\d*(?:\.\d+)?)([A-Z]?)\s*-\s*(?:$chapter_aux_rx)?|(\d+(?:\.\d+)?(?:[A-Z]\b)?)(?:\s*(?:[,&+]|and)\s*(?:$chapter_aux_rx)?(?1))*~ui"
用于在内部preg_replace_callback
删除-
(如果有)和术语(如果有)之间的空格,后跟 0+ 个空格字符,如果第 1 组匹配,则匹配被分割为
"~\s*(?:[,&+]|and)\s*(?:$chapter_aux_rx)?~ui"
正则表达式(它匹配&
, ,
,+
或and
在可选的 0+ 空格后跟 0+ 空格,然后是可选字符串,terms 后跟 0+ 空格)并且数组被传递给buildNumChain
构建结果字符串的函数。
推荐阅读
- python - aws s3 sync --exlude 选项在子进程内运行时无法识别
- python - StringIO 和实际文件大小之间的文件大小差异
- hla - POLINK:警告:/SECTION:.bss 被忽略;部分缺失
- php - 有什么办法可以防止在特定页面上的 php/Wordpress 中加载文件
- mysql - Spring Boot-键'PRIMARY'的重复条目
- python - 为什么选择自制 SDK 时,intellij 会为 python 选择 miniconda 路径?
- google-cloud-platform - 将大量文件从 Box 直接移动到 Google 存储桶?
- android - 获取滚动视图的更新大小
- nginx - Lua拆分和组合字符串
- python - iterrows() 和列来识别入口位置