如何用空格和标点符号分割 JavaScript 字符串？

Question

我有一些随机字符串，例如：Hello, my name is john.。我希望将该字符串拆分为一个数组，如下所示：Hello, ,, , my, name, is, john, .,。我尝试了 str.split(/[^\w\s]|_/g)，但它似乎不起作用。有什么想法吗？

Answer 1

要在任何非单词字符上分割 str，即不是 AZ、0-9 和下划线。

var words=str.split(/\W+/);  // assumes str does not begin nor end with whitespace

或者，假设您的目标语言是英语，您可以使用以下方法从字符串中提取所有语义有用的值（即“标记化”字符串），

var str='Here\'s a (good, bad, indifferent, ...) '+
        'example sentence to be used in this test '+
        'of English language "token-extraction".',

    punct='\\['+ '\\!'+ '\\"'+ '\\#'+ '\\
这会产生：

tokens=[ 
  'Here\'s',
  'a',
  '(',
  'good',
  ',',
  'bad',
  ',',
  'indifferent',
  ',',
  '...',
  ')',
  'example',
  'sentence',
  'to',
  'be',
  'used',
  'in',
  'this',
  'test',
  'of',
  'English',
  'language',
  '"',
  'token-extraction',
  '"',
  '.'
]

 EDIT
也可用作 Github 要点
+   // since javascript does not
          '\\%'+ '\\&'+ '\\\''+ '\\('+ '\\)'+  // support POSIX character
          '\\*'+ '\\+'+ '\\,'+ '\\\\'+ '\\-'+  // classes, we'll need our
          '\\.'+ '\\/'+ '\\:'+ '\\;'+ '\\<'+   // own version of [:punct:]
          '\\='+ '\\>'+ '\\?'+ '\\@'+ '\\['+
          '\\]'+ '\\^'+ '\\_'+ '\\`'+ '\\{'+
          '\\|'+ '\\}'+ '\\~'+ '\\]',

    re=new RegExp(     // tokenizer
       '\\s*'+            // discard possible leading whitespace
       '('+               // start capture group
         '\\.{3}'+            // ellipsis (must appear before punct)
       '|'+               // alternator
         '\\w+\\-\\w+'+       // hyphenated words (must appear before punct)
       '|'+               // alternator
         '\\w+\'(?:\\w+)?'+   // compound words (must appear before punct)
       '|'+               // alternator
         '\\w+'+              // other words
       '|'+               // alternator
         '['+punct+']'+        // punct
       ')'                // end capture group
     );

// grep(ary[,filt]) - filters an array
//   note: could use jQuery.grep() instead
// @param {Array}    ary    array of members to filter
// @param {Function} filt   function to test truthiness of member,
//   if omitted, "function(member){ if(member) return member; }" is assumed
// @returns {Array}  all members of ary where result of filter is truthy
function grep(ary,filt) {
  var result=[];
  for(var i=0,len=ary.length;i++<len;) {
    var member=ary[i]||'';
    if(filt && (typeof filt === 'Function') ? filt(member) : member) {
      result.push(member);
    }
  }
  return result;
}

var tokens=grep( str.split(re) );   // note: filter function omitted 
                                     //       since all we need to test 
                                     //       for is truthiness

这会产生：

EDIT

也可用作 Github 要点

Answer 2

试试这个（我不确定这是否是您想要的）：

str.replace(/[^\w\s]|_/g, function ($1) { return ' ' + $1 + ' ';}).replace(/[ ]+/g, ' ').split(' ');

http://jsfiddle.net/zNHJW/ 3/

Answer 3

尝试：

str.split(/([_\W])/)

这将被任何非字母数字字符 (\W) 和任何下划线分隔。它使用捕获括号来包含最终结果中分割的项目。

Answer 4

这个解决方案给我带来了空间方面的挑战（仍然需要它们），然后我尝试了 str.split(/\b/) ，一切都很好。数组中输出空格，不难忽略，标点符号后面剩下的可以删掉。