文字列からウルドゥー語/アラビア語のフレーズ/センテンスを抽出する

Question

PHPでユーザが提出した文字列からウルドゥー語のフレーズを抽出したい。

 
Array 
(
    [0] => Array 
     (
      [0] => دنیا گول ہے 
      [1] => ہے 
     ) 

    [1] => Array 
     (
      [0] => آوارہ گرد کی ڈائری 
      [1] => ڈائری 
     ) 

    [2] => Array 
     (
      [0] => ابن بطوطہ کے تعاقب میں 
      [1] => میں 
     ) 

) 

でもIかかわら：例えば、$stringは、私は次の出力を得る

In his books (some of which include دنیا گول ہے, آوارہ گرد کی ڈائری, and ابن بطوطہ کے تعاقب میں), Ibn-e-Insha has told amusing stories of his travels.

が含まれている場合など今

$pattern = "#([\x{0600}-\x{06FF}]+\s*)+#u"; 
if (preg_match_all($pattern, $string, $matches, PREG_SET_ORDER)) { 
    print_r($matches); 
} else { 
    echo 'No matches.'; 
} 

：このため、私は、次のテストコードを試してみました希望のマッチ（دنیا گول ہے、آوارہ گرد کی ڈائری、およびابن بطوطہ کے تعاقب میں）を取得すると、私は望ましくないものも得ます（ہے、ڈائری、およびمیں - それぞれ実際にはそのフレーズの最後の単語です）。誰も私が望ましくないマッチを避ける方法を指摘していただけますか？

Answer 1

これは、キャプチャグループ([\x{0600}-\x{06FF}]+\s*)が前回と一致したときに上書きするたびに複数回マッチするためです。 (?:[\x{0600}-\x{06FF}]+\s*) - - あなたは、単に非キャプチャグループに変換することにより期待される出力を得ることができるが、ここで、より正確な選択肢です：いくつかの空白があります場合

$pattern = "#(?:[\x{0600}-\x{06FF}]+(?:\s+[\x{0600}-\x{06FF}]+)*)#u"; 

最初[\x{0600}-\x{06FF}]+は、その後、最初の単語と一致しましたその後に別の単語が続き、(?:\s+[\x{0600}-\x{06FF}]+)*とそれに続く単語が一致します。しかし、最後の単語の後の空白には一致しません。あなたが望んでいないと思われます。