Question

我有一句话：

var input = @"I go to to http://www.google.com.I don't like cats.";

我想尝试找到句子中的所有单词。我需要用词语来获取字符串。

当我String stripped = Regex.Replace(input,"\\p{P}", "");时，我按预期得到I go to to httpwwwgooglecomI dont like cats。

是否有一种聪明的方式来获取I go to to http://www.google.com I dont like cats而不必执行大量if then条件。

我的问题是我不知道如何以可靠的方式检测网址，以便能够将它们视为一个单词。

这里尝试了lucene是它取消的条款：

术语=我长期=去长期= HTTP 长期= www.google.com.i 长期=不长期=喜欢术语=猫

Answer 1

没有一个好方法可以做到这一点，因为域可以包含不同数量的单词，所有这些示例都是有效的域名：

您可以保留顶级域名列表，但截至今年（或去年），任何有足够资金的人都可以buy a top level domain。

但是，在您的确切情况下，您可以解析字符串，因为没有顶级域只包含一个字符。

可能的解决方案：

如果您需要解决方案可靠，您可以尝试查找每个域名。如果您无法为域找到IP（=将最后一个单词移动到单独的单词并再试一次），则字符串太长可能会很长。

Answer 2

使用您当前的输入，您可以使用：

\b(?:(?<=http://\S*?)(?!www)\w+\.\w+|(?!www)[\w']+(?!://))\b

请参阅the demo。

当然，这引出了一个问题＆＃34;什么是可接受的词＆＃34;，所以这个表达式可以根据不同的要求和条件进行调整。

在C＃中：

var myRegex = new Regex(@"\b(?:(?<=http://\S*?)(?!www)\w+\.\w+|(?!www)[\w']+(?!://))\b", RegexOptions.Multiline);
string resultString = myRegex.Match(yourString).Value;
Console.WriteLine(resultString);

Answer 3

你可以先用空格分割然后修剪标点符号。

char[] separators = new char[] {' ', '\t', '\r', '\n'};
char[] trimchars = new char[] {'.', ','}; 
var input = @"my string with a http://google.com/query url. I only
    want to have words";

var words = input.Split(separators, StringSplitOptions.RemoveEmptyEntries).Select(x=> x.Trim(trimchars));

foreach (var x in words)
    Console.WriteLine(x);

如何将段落标记为单词？

3 个答案: