Question

这是一个双重问题 1.如何隐含地包含外国字符？
2.如何摆脱结束的空字符串？

IEnumerable<String> words = Regex.Split(input, "[^a-zA-Z0-9-]+");

上面的工作就像一个魅力。然后德国人开始抱怨他们的一些话被分成了两半。当字符串包含点缀或重音字符时，会发生这种情况。解决这个问题的一种方法是在模式中添加更多字符，但之后我们有法语，波兰语和基本上任何非英语语言（只有拉丁字符有效）。

什么是模式化所有字符和数字以及短划线的更好方法？

当我使用不同的弦乐时，我也注意到如果最后有一个问号，我会得到一个空字符串作为最后一个分割部分。我只是检查最后一个元素是否为空字符串并立即将其剪掉。

为什么我会得到它，如何摆脱它？

Answer 1

Regex + Linq怎么样？

IEnumerable<String> words = Regex.Split(input, @"[^\w0-9-]+")
                                 .Where(s => !String.IsNullOrWhiteSpace(s));

非正则表达式解决方案也是可能的

var words = new string(input.Select(c => char.IsLetterOrDigit(c) || c=='-' ? c : ' ').ToArray())
            .Split()
            .Where(s=>!String.IsNullOrWhiteSpace(s));

Answer 2

请参阅：MSDN: Character Classes in Regular Expressions了解.NET flavor regex：

Word character语法为\w（该表中的字符类定义在Unicode Character Database。这几乎与a-zA-Z0-9-相同，但如果要排除下划线，则可能需要使用\p{L}0-9-之类的内容。

编辑并且，作为参考，有一篇文章解释了为什么这一切都有效（并且a-zA-Z没有）here

您还问过如何摆脱结束的空字符串？

String.Split为您提供了删除空条目的选项，Regex.Split没有。您的空条目是由于您使用?作为分割点，因为您要识别要用于分割的非单词字符。您有两个简单的选择：

测试IEnumerable中的空条目
更新您的正则表达式，以便它不会与您的上一个非单词字符匹配

但是，如果您执行第二个选项，您将最终得到最后一个IEnumerable条目中包含的最后一个字符（您的?）。所以，第一个选项更好，除非你想改变你这样做的方式来使用正匹配来拉出连续的单词，例如：

MatchCollection m = new Regex("\\w+").Matches(input);
List<string> words = new List<string>();
foreach (Match item in m)
{
    words.Add(item.Value);
}

Answer 3

使用.NET，这将仅匹配单词（即使它们被双引号或使用非字母数字字符进行前缀/后缀。

Regex（@“ [^ 0-9-！$％^＆@＃*（）_ + |〜=`{} []：;'<>？，。/”“”“”“] \ w +“）

将匹配变量txt中的文本：

var txt = "000 fred is just \"mad:)\"."

具有： [“ fred”; “是”； “只是”; “疯了”]

如何只使用正则表达式匹配单词？

3 个答案: