PHP处理OCR扫描文档：移除拆分词后的'- '并合并单词

你之前尝试的rtrim、判断末尾字符的方法没抓住核心——咱们要处理的是单词中间被拆分出来的“- ”（连字符加空格），而不是随便删除末尾的连字符。开头的-And之所以要保留，就是因为它没有连字符后的空格，不属于“单词拆分”的情况。

用正则表达式就能精准搞定这个需求，直接匹配并替换那些“字母序列- 字母序列”的拆分结构，完全不会碰开头的独立连字符。

解决方案代码 #

// OCR扫描后的原始文本
$ocrText = 'Th- is is wh- at is looking like after doc- ument is scanned -And it not look- ing good';

// 正则替换：合并被拆分的单词，保留开头的连字符
$fixedText = preg_replace('/([a-zA-Z]+)-\s+([a-zA-Z]+)/', '$1$2', $ocrText);

// 输出结果：This is what is looking like after document is scanned -And it not looking good
echo $fixedText;

正则表达式说明 #

• ([a-zA-Z]+)：捕获被拆分单词的前半部分（一个或多个大小写字母）
• -\s+：匹配连字符，以及后面的一个或多个空格（兼容OCR可能出现的多空格情况）
• ([a-zA-Z]+)：捕获被拆分单词的后半部分
• 替换成$1$2就是把前后两部分直接拼接，去掉中间的-和空格

如果你的文本里包含数字或下划线这类单词字符，可以把正则改成/(\w+)-\s+(\w+)/，\w会匹配字母、数字和下划线，适用范围更广。

这个方法完全不会影响开头的-And，因为它的连字符后面没有空格，不符合匹配规则，会被完整保留下来。

内容的提问来源于stack exchange，提问作者user3836412