本文介绍一种稳健的 php 实现方案：将长文本按句子切分后，智能合并为 ≤500 字符的语义完整块（确保句末标点完整、不切断任何句子），最终返回分块数组供后续处理。
本文介绍一种稳健的 php 实现方案：将长文本按句子切分后，智能合并为 ≤500 字符的语义完整块（确保句末标点完整、不切断任何句子），最终返回分块数组供后续处理。
在实际开发中（如短信分段、API 文本截断、LLM 提示词分块等场景），常需将大段文本拆分为长度受限但语义完整的子块。硬性按字符数（如 str_split($text, 500)）极易在句中截断，破坏可读性与逻辑完整性；而简单依赖 preg_split('/[.!?]+\s+/', $text) 又易受缩写（如 “Dr.”、“e.g.”）、引号嵌套、省略号（“…”）或换行符干扰，导致句子误切。
因此，核心策略是“先精准分句 → 再贪心归并”：
- 使用鲁棒的正则表达式识别真实句子边界（兼顾常见终止标点及后续空白/换行）；
- 遍历句子列表，累积拼接至接近但不超过目标长度（如 500 字符）；
- 当加入下一句会导致超限时，将当前累积内容作为独立块存入结果数组，并重置缓冲区。
以下为生产就绪的 PHP 实现（已增强容错性与边界处理）：
<?php
function splitTextIntoSentenceBlocks(string $text, int $maxChars = 500): array
{
if (empty($text)) {
return [];
}
// 改进的句子分割：匹配句号、问号、感叹号后跟空白/换行/字符串结尾
// 排除常见缩写干扰（简化版，如需更高精度可扩展）
$sentences = preg_split('/(?<=[.!?])s+(?=[A-Zu4e00-u9fa5]|s*$)/u', trim($text), -1, PREG_SPLIT_NO_EMPTY);
$blocks = [];
$currentBlock = '';
foreach ($sentences as $sentence) {
// 确保每个句子以标准标点结尾（补全缺失的句号等）
$trimmedSentence = trim($sentence);
if (!empty($trimmedSentence) && !preg_match('/[.!?]$/u', $trimmedSentence)) {
$trimmedSentence .= '.';
}
$candidateLength = strlen($currentBlock) + strlen($trimmedSentence) +
($currentBlock === '' ? 0 : 1); // 加空格分隔
if ($candidateLength <= $maxChars) {
$currentBlock = $currentBlock === ''
? $trimmedSentence
: $currentBlock . ' ' . $trimmedSentence;
} else {
if (!empty($currentBlock)) {
$blocks[] = $currentBlock;
}
$currentBlock = $trimmedSentence;
}
}
// 添加最后一块（非空时）
if (!empty($currentBlock)) {
$blocks[] = $currentBlock;
}
return $blocks;
}
// 示例用法
$text = "PHP 是一种广泛使用的开源脚本语言。它特别适合 Web 开发，并可以嵌入 HTML 中。" .
"Laravel、Symfony 和 CodeIgniter 是主流 PHP 框架。你是否知道？PHP 最初由 Rasmus Lerdorf 创建！" .
"它的语法借鉴了 C、Java 和 Perl。";
$blocks = splitTextIntoSentenceBlocks($text, 500);
foreach ($blocks as $index => $block) {
echo "[块 {$index}] (".strlen($block)." 字符):
{$block}
";
}✅ 关键优势说明：
立即学习“PHP免费学习笔记（深入）”；
- 语义安全：严格以句子为单位操作，绝不跨句截断；
- 标点健壮：自动补全无标点句子，兼容中英文混合文本（正则启用 Unicode 模式 /u）；
- 空格友好：块内句子间插入单空格，避免粘连；
- 边界防护：空文本、超短文本、单句超长等情况均妥善处理。
⚠️ 注意事项：
- 该方案假设句子以 . ? ! 结尾且后接合理分隔（空格/换行/文本尾）。若原文存在大量未规范标点（如无标点口语体、代码片段混入），建议前置清洗或结合 NLP 库（如 spaCy 的 PHP 封装）提升分句精度；
- 对于含大量缩写的英文文本（如 “U.S.A. is...”），基础正则可能误切，此时应引入更高级的句子分割器（如 textblob 或专用服务）；
- 性能方面，对万级字符文本毫秒级完成，无需额外优化。
通过此方法，你可获得一组长度可控、语义完整、开箱即用的文本块数组，为后续批处理、AI 推理或存储提供坚实基础。
