PHP句子分割正则表达式技巧

“纵有疾风来，人生不言弃”，这句话送给正在学习文章的朋友们，也希望在阅读本文《PHP按句子分割文本的正则技巧》后，能够真的帮助到大家。我也会在后续的文章中，陆续更新文章相关的技术文章，有好的建议欢迎大家在评论留言，非常感谢！

推荐用 preg_match_all 匹配句子而非 preg_split 分割：/1+[。！？；.!?\;\u{2026}]+/u，可保留标点、避免缩写误切、支持中英文及省略号，且比分割更可控。。！？；.!?\; ↩

PHP 用正则按句子分割文本的常见错误

直接用 preg_split('/[。！？；]+/', $text) 看似简单，但会丢掉标点、切不断英文句号（如 “Mr. Smith”）、忽略省略号（…）、误切小数点和邮箱里的点。更麻烦的是中文引号内的句末标点（如「你好！」）会被漏掉，因为正则没覆盖全角+半角+嵌套场景。

• 中文句末标点必须包含全角：。！？；
• 英文句末标点需排除缩写和数字中的点（如 Dr.、3.14）
• 要保留分隔符本身（否则无法还原原始格式）
• 引号、括号内的句末标点不应作为分割点（但 PHP 原生正则不支持平衡组，得靠规避策略）

推荐的正则模式：兼顾中英文与常见例外

用这个表达式：/(?<=[。！？；.!\?\;])\s+(?=[\p{Han}\p{Latin}\p{Digit}])/u 是理想但不可行的——\s+ 前置断言在 PHP 中不支持变长。实际可用的是带 PREG_SPLIT_DELIM_CAPTURE 的捕获式分割：

$pattern = '/([。！？；\.\!\?\;])(?=\s*[\'"\u{2018}\u{2019}\u{201C}\u{201D}]*\s*[A-Z\u{4E00}-\u{9FFF}])/u';
$sentences = preg_split($pattern, $text, -1, PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY);

但更稳的做法是「匹配句子」而非「分割」：preg_match_all('/[^。！？；.!\?\;]+[。！？；.!\?\;]+/', $text, $matches)，再过滤空项。它天然保留标点，且避开缩写误判（只要确保句末标点后跟空格或换行或字母/汉字）。

• preg_match_all 比 preg_split 更可控，尤其处理混合中英文时
• [^。！？；.!\?\;]+ 匹配非句末标点的字符，避免跨句吞掉中间的点
• 末尾的 [。！？；.!\?\;]+ 允许连续多个标点（如！！、？？？、……）
• /u 修饰符必不可少，否则 \u{4E00} 类 Unicode 范围无效

处理省略号、引号和缩写的实用技巧

中文省略号是 …（U+2026），不是三个点，正则里得显式加上；英文引号内句末标点（如 “Hello!” she said.）容易被误切，可加后瞻限制：只在标点后有空格+大写字母或汉字时才视为句界。

• 把 … 加入句末标点集合：[。！？；.!\?\;\u{2026}]
• 缩写过滤靠白名单不如靠上下文：检查标点前是否为常见缩写词（Mr|Dr|Ms|vs|etc），但会拖慢性能，建议预处理替换（如把 Mr. 替成 Mr@，分割完再换回）
• 中文引号「」、『』、英文 “” ‘’ 内的句末标点不触发分割，需先统计引号嵌套深度——太重，通常用「跳过引号内所有标点」的轻量策略：用 mb_ereg_replace 临时掩码引号内容，分割完再还原

性能与边界情况提醒

长文本（>100KB）下 preg_match_all 可能爆栈或超时，ini_set('pcre.backtrack_limit', '1000000') 可缓解但治标不治本。真要处理大文本，得改用逐字符状态机（比如检测到句末标点后，往前找最近的空白或行首，往后跳过引号/括号）。

• mb_strlen() 和 mb_substr() 必须配合使用，否则中文乱切
• 单句含换行符（如诗歌、代码注释）时，\s 会吞掉换行，建议用 (?![^\r\n]*[\r\n]) 排除含换行的匹配
• 空字符串、纯标点、连续空格等边界输入务必单独 trim() + if (empty()) 判断，否则返回空数组或警告

真正难的不是写出正则，是定义清楚“什么是句子”——用户要的是语义分句，而正则只能做字面切分。如果业务允许，优先考虑 NLP 库（如 jieba-php 或调用 HanLP API），尤其是涉及对话、法律文书这类复杂句式时。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~