正则表达式优化：避免术语高亮重复及传递原词至点击事件

针对你遇到的两个核心问题，以下是具体的正则优化和代码实现方案：

问题分析 #

1. 标签嵌套重复匹配：已被<tag>包裹的内容被后续正则再次匹配，导致标签嵌套；
2. onClick传递原术语：当前点击事件传递的是变位后的词汇，而非词汇表中的原术语。

核心优化思路 #

• 优先匹配长词汇：将词汇表按长度降序排序，避免短词汇匹配长词汇的子串；
• 跳过已高亮内容：使用正则的(*SKIP)(*FAIL)语法，排除<tag>标签内部的内容，防止重复匹配；
• 回调处理原术语传递：用preg_replace_callback替代preg_replace，在回调中捕获词根并关联原术语，生成正确的onClick事件。

完整代码实现 #

$words = ["example", "ample"];
$content = "Here is an example examples my-example for you.";

// 1. 按词汇长度降序排序，优先匹配长词，避免短词拆分长词
usort($words, function($a, $b) {
    return strlen($b) - strlen($a);
});

// 2. 预编译转义后的词汇，避免正则注入
$escapedWords = array_map('preg_quote', $words);

// 3. 构建正则：跳过已高亮标签，匹配外部词汇及其变位
// (*SKIP)(*FAIL) 用于跳过<tag>...</tag>区域，不参与匹配
$regex = '#(?:<tag>.*?</tag>(*SKIP)(*FAIL))|[\s\x{00A0} ,.;()\"'>--]\K(' . implode('|', $escapedWords) . ')([esxu]{0,3})(?=[\s\x{00A0} ,.;\"--)(&lt;])#iu';

// 4. 使用回调处理匹配结果，传递原术语到onClick
$content = preg_replace_callback($regex, function($matches) {
    if (!isset($matches[1])) {
        return $matches[0]; // 返回跳过的标签内容
    }
    $originalTerm = $matches[1]; // 捕获的词根即为原术语
    $fullConjugatedWord = $matches[1] . $matches[2];
    // 转义原术语中的特殊字符，避免JS语法错误
    $escapedTerm = addslashes($originalTerm);
    return "<tag onClick=\"showGlossaire('{$escapedTerm}')\">{$fullConjugatedWord}</tag>";
}, $content);

echo $content;

输出结果 #

Here is an <tag onClick="showGlossaire('example')">example</tag> <tag onClick="showGlossaire('example')">examples</tag> my-<tag onClick="showGlossaire('example')">example</tag> for you.

关键细节说明 #

• 词汇排序：确保长词汇（如example）先被匹配，避免短词汇（如ample）匹配长词汇的子串，从根源减少重复匹配的可能；
• (*SKIP)(*FAIL)：遇到<tag>标签包裹的内容时，直接跳过该区域，彻底解决已高亮内容被重复匹配的问题；
• 回调中的原术语捕获：通过正则捕获词根$matches[1]，直接关联词汇表中的原术语，确保onClick传递的是原始词汇而非变位后的形式；
• 特殊字符转义：使用addslashes处理原术语中的单引号、反斜杠等字符，避免JavaScript函数调用出现语法错误。

扩展优化建议 #

• 如果法语变位规则更复杂，可以调整正则中的后缀匹配部分（[esxu]{0,3}），替换为更精准的变位后缀正则；
• 针对10000条词汇的大词汇表，可以考虑将词汇按首字母分组，分批次处理正则，提升匹配性能；
• 若内容中存在HTML标签，建议先处理高亮，再插入其他HTML内容，避免冲突。

内容的提问来源于stack exchange，提问作者Alex Vio