Question

我有一个文本文件，我正在阅读C#程序，我需要拆分它的内容。我决定使用Regex.Split()。

我想要寻找的模式是\n( )+Copyright

这是一个文本示例：

\ r \ n \ r \ nLANGUAGE：ENGLISH \ r \ n \ r \ nDISTRIBUTION：每个区域\ r \ n \ r \ n \ _出版物类型：报纸\ r \ n \ r \ n \ r \ n版权所有2014 Washingtonpost.Newsweek Interactive Company，LLC d / b / a \ r \ n Washington Post Digital \ r \ n保留所有权利\ r \ n“

包含换行符的原因是因为我还有段落中出现版权一词的情况：

由Doug Swanson撰写的Blood Aces将于2014年8月14日由Penguin \ r \ nGroup（USA）LLC成员Viking出版。版权所有©2014 Doug J. Swanson 。\ r \ n

然而我遇到的问题是当我执行此调用时：

var splitContent= Regex.Split(filecontent, @"\n( )+Copyright");

我在splitContent中获得的项目数量超过应有的2倍。我已经尝试将正则表达式模式修改为@"(\n){1}?( )+Copyright"以及其他一些类似的类型模式，我得到splitContent中应该得到的项目数量的4-5倍。

这是执行此类正则表达式的正确方法吗？

非常感谢任何帮助。

Answer 1

如果在Regex.Split表达式中使用捕获括号，则任何捕获的文本都包含在结果字符串数组中。例如，如果在捕获括号内的连字符上拆分字符串“plum-pear”，则返回的数组包含一个包含连字符的字符串元素。
using System;
using System.Text.RegularExpressions;

public class Example
{
   public static void Main()
   {
      string input = "plum-pear";
      string pattern = "(-)";

      string[] substrings = Regex.Split(input, pattern);    // Split on hyphens 
      foreach (string match in substrings)
      {
         Console.WriteLine("'{0}'", match);
      }
   }
}
// The example displays the following output:
//    'plum'
//    '-'
//    'pear'
Regex.Split

Answer 2

为什么要尝试重新发明轮子？只需更改正则表达式即可使用正确的选项：

RegexOptions options     = RegexOptions.Multiline
                         | RegexOptions.Ignorecase
                         ;
Regex        rxCopyright = new Regex( "^\s*Copyright", options );

string[]     lines       = rxCopyright.Split( yourStringHere ) ;

RegexOptions.Multiline告诉正则表达式引擎

使用多行模式，^和$匹配开头和结尾每行（而不是输入字符串的开头和结尾）。有关详细信息，请参阅Multiline Mode。

因此，如果在任何行的开头（有或没有前导空格），您的文本语料库将使用单词copyright拆分为块。

如果您想使用括号清晰，请将RegexOptions.ExplicitCapture添加到混音中。它

指定仅显式命名或编号的唯一有效捕获形式为(?<name>…)的组。这允许未命名的括号充当非捕获组，而没有表达式(?:…)的语法笨拙。

正则表达式使用换行符和空格

2 个答案: