Question

_documentContent包含整个文档作为html视图源。 patternToFind包含要在_documentContent中搜索的文字。

如果语言为英语，

下面的代码段可以正常工作。但是，当遇到像韩语这样的语言时，相同的代码根本不起作用。

样本文件

现在时

现在时，就像你所学到的一样。你拿一个动词的字典形式，放下다，添加适当的结尾。

먹다 - 먹+어요=먹어요
마시다 - 마시+어요 - 마시어요 - 마셔요。

这个时态用来表示现在发生的事情。我吃。我喝。这是现在的总称。

当我试图找到먹时，下面的代码失败。

有人可以建议一些解决方案吗

using System;
using System.Collections.Generic;
using System.Text;

namespace MultiByteStringHandling
{
    class Program
    {
        static void Main(string[] args)
        {
            string _documentContent = @"먹다 - 먹 + 어요 = 먹어요";
            byte[] patternToFind = Encoding.UTF8.GetBytes("먹");
            byte[] DocumentBytes = Encoding.UTF8.GetBytes(_documentContent);

            int intByteOffset = indexOf(DocumentBytes, patternToFind);
            Console.WriteLine(intByteOffset.ToString());
        }
        public int indexOf(byte[] data, byte[] pattern)
        {
            int[] failure = computeFailure(pattern);

            int j = 0;
            if (data.Length == 0) return 0;

            for (int i = 0; i < data.Length; i++)
            {
                while (j > 0 && pattern[j] != data[i])
                {
                    j = failure[j - 1];
                }
                if (pattern[j] == data[i])
                {
                    j++;
                }
                if (j == pattern.Length)
                {
                    return i - pattern.Length + 1;
                }
            }
            return -1;
        }
        /**
         * Computes the failure function using a boot-strapping process,
         * where the pattern is matched against itself.
         */
        private int[] computeFailure(byte[] pattern)
        {
            int[] failure = new int[pattern.Length];

            int j = 0;
            for (int i = 1; i < pattern.Length; i++)
            {
                while (j > 0 && pattern[j] != pattern[i])
                {
                    j = failure[j - 1];
                }
                if (pattern[j] == pattern[i])
                {
                    j++;
                }
                failure[i] = j;
            }

            return failure;
        }
    }
}

Answer 1

说真的，为什么不这样做呢？

var indexFound = documentContent.IndexOf("data");

当原始数据是文本时，将字符串转换为字节数组然后搜索它们对我来说没有多大意义。如果愿意，您可以随时找到字节位置。

Answer 2

UTF-8是一种可变的多字节格式。在韩国数据中搜索英文文本将永远不会匹配直接模式匹配。如果你正在扫描文本，那么最好不要使用.IndexOf（pattern）[as Noldorin指出]或.Contains（pattern）。

搜索模式C＃的byte []

现在时

2 个答案: