Question

在Form1的顶部，我做了：

private static readonly Regex AnyWordRegex = new Regex(@"((?<word>[a-zA-Z]{4,}))", RegexOptions.Singleline | RegexOptions.Compiled);

在构造函数中我做了：

string file = File.ReadAllText(OriginalHtmlFilePath);
string strippedHtml = StripHtml(file);

在这种情况下，

OriginalHtmlFilePath包括带有希伯来语单词的html文件。

这是StripHtml：

public static string StripHtml(string htmlString)
        {
            return StripHtmlRegex.Replace(htmlString, @"|");
        }

之后我看到strippedHtml包含希伯来语单词。然后我在构造函数中做：

_words = ExtractWords(strippedHtml);

_words是List

private static List<string> ExtractWords(string text)
        {
            MatchCollection matchCollection = AnyWordRegex.Matches(text);
            return (from Match match in matchCollection select match.Groups[1].Value).ToList();
        }

在执行ExtractWords之后，我看到List _words只包含英文单词。大约608个单词只有英文。但在这个案例中我正在处理的网站是www.walla.co.il或www.ynet.co.il这是一个希伯来网站。

如果我在cnn.com或foxnews.com上工作，任何英文网站的一切都运转良好。

Answer 1

您可以使用\p{L}代替[a-zA-Z]来匹配所有字母或[\p{IsHebrew}a-zA-Z]中的所有字母，以便更具体。

我如何使用正则表达式从html文件中获取希伯来字符串/单词？

1 个答案: