小记：为开源项目增加一个新功能的开发历程

jxlwqq 的个人博客 / 1541 / 1 / 创建于 5年前 / 更新于 5年前

本篇文章不是为了记开发流水账，而是想把开发过程的遇到的问题以及解决思路和大家进行交流和学习。我是一名普普通通的 PHP 工程师，希望对初级开发同学有所帮助。具体的心得体会见文末的总结。

本月初，我在 GitHub 上开源了一个自己的小项目：chinese-typesetting。这是一个纠正中文文案排版的 Composer 包。

chinese-typesetting 包含以下功能：

在中文与英文字母/用于数学、科学和工程的希腊字母/数字之间添加空格；
有限度的全角转半角（英文、数字、空格以及一些特殊字符等使用半角字符）；
修复错误的标点符号；
清除 HTML 标签的样式；
清除空的 HTML 标签；
清除段首缩进；

本周，公司开发事务不多，无加班，于是开始构思新功能纠正英语专有名词大小写的实现。

英语专有名词的数据来源

首先，面临的第一个问题是：

英语专有名词的数据从哪来？

我最先想到的是 Python 有一个自然语言处理的包 NLTK，这个包有个名为 pos_tag 的函数，可以用来识别并标注每个单词的词性，其中被标注为 NNP 或 NNPS 的单词就是专有名词（Proper Noun）。我猜想，NLTK 数据包里应该有一个对应的专有名词数据集，但是，苦于能力有限，我一直没有找到。

上述的路径走不通后，我又通过 Google 搜索，发现通过网络字典来获取数据是一条可行的方案。通过这一方法，终于在 Wiktionary 找到了英语专有名词列表。于是，利用 Python 写了一个爬虫小脚本，爬取了对应的数据。

最后，就是对爬取到的数据进行了一些整理和筛选。

筛选方案如下：

使用 is_numeric() 方法，剔除诸如 007 等词汇；
使用 '/\W/' 正则，剔除诸如 ǃXóõ 等词汇；
剔除 strlen 方法，剔除 A 等单字节词汇；
剔除跟 HTML、CSS、JavaScript 保留字冲突的词汇；

如何让使用者定制专有名词数据

最初的代码如下：

/**
 * 专有名词使用正确的大小写
 * Correct English proper nouns.
 *
 * @param $text
 *
 * @return null|string|string[]
 */
public function properNoun($text)
{
    $dict = include __DIR__ . '/../data/dict.php';
    foreach ($dict as $noun) {
        $text = preg_replace("/\b{$noun}\b/i", $noun, $text);
    }
    return $text;
}

之后想到，如果使用这个方法的开发者想扩展或者忽略某些专有名词，那该怎么办呢？
于是，我又将 properNoun() 方法改造如下：

/**
 * 专有名词使用正确的大小写
 * Correct English proper nouns.
 *
 * @param $text
 * @param array $extend
 * @param array $ignore
 *
 * @return null|string|string[]
 */
public function properNoun($text, array $extend = [], array $ignore = [])
{
    $dict = include __DIR__ . '/../data/dict.php';
    if ($extend) {
        $dict = array_merge($dict, $extend);
    }
    if ($ignore) {
        $dict = array_diff($dict, $ignore);
    }

    foreach ($dict as $noun) {
        $text = preg_replace("/\b{$noun}\b/i", $noun, $text);
    }
    return $text;
}

如何改进和优化代码逻辑

我在写这个功能的时候，也在研究和参考一些现有开源项目的实现逻辑。在看到开源项目 auto-correct 的一个 commit 上后（PS：这个 PR 是社区大神 overtrue 提交的。），我又将 properNoun() 方法改造如下：

public function properNoun($text, array $extend = [], array $ignore = [])
{
    $dict = include __DIR__ . '/../data/dict.php';
    if ($extend) {
        $dict = array_merge($dict, $extend);
    }
    if ($ignore) {
        $dict = array_diff($dict, $ignore);
    }
    foreach ($dict as $noun) {
        $text = preg_replace("/(?<!\.|[a-z]){$noun}(?!\.|[a-z])/i", $noun, $text);
    }
    return $text;
}

如何避免过度替换

在我以为就要大功告成的时候，我用之前写好的 PHPUnit 单元测试代码进行了测试，结果报出了错误，在上述方法中，如果传入的参数是包含 HTML 标签的富文本，那么 HTML 的元素、元素属性以及值都有可能会被替换。

如何避免过度替换这个问题呢？也就是说：

只替换文本，而忽略 HTML 标签及标签内部的内容？

我尝试写了好几套匹配方案，都失败了。最后还是请出了 Google 大神来帮忙。这里，搜索的关键字很重要，最好想把你要搜索的关键词翻译成对应的英文单词，这样搜索出的结果会令你更满意。结果我找到了解决方案：Matching A Word / Characters Outside Of Html Tags。

通过上面这部文章的提示，我又将 properNoun() 方法改造如下：

public function properNoun($text, array $extend = [], array $ignore = [])
{
    $dict = include __DIR__ . '/../data/dict.php';
    if ($extend) {
        $dict = array_merge($dict, $extend);
    }
    if ($ignore) {
        $dict = array_diff($dict, $ignore);
    }
    foreach ($dict as $noun) {
        // Matching proper nouns Outside Of Html Tags
        $text = preg_replace("/(?<!\.|[a-z]){$noun}(?!\.|[a-z])(?!([^<]+)?>)/i", $noun, $text);
    }
    return $text;
}