Question

我正在尝试找到创建通用标记生成器的最有效方法，该标记生成器将复杂的分隔符/分隔符保留为额外标记。

是的......我看了一些像How can i use string#split to split a string with the delimiters + - * / ( ) and space and retain them as an extra token?这样的问题，但到目前为止，它太具体了。我需要解决方案来对抗泛型字符串。

就我而言，我希望将字符串标记为

"   A brown bear     A red firetruck  A white horse   "

因此，我期待以下令牌：

"   ",              //3 spaces
"A brown bear",
"     ",            //5 spaces
"A red firetruck",
"  ",               //2 spaces
"A white horse",
"   "               //3 spaces

所以，这是我提出的代码，它正如预期的那样工作，但我想知道是否还有改进这个......

public static class StringExtension
{
    public static List<string> TokenizeUsingRegex(this string input, string separatorRegexPattern, bool includeSeparatorsAsToken = true)
    {
        var tokens = Regex.Split(input, separatorRegexPattern).Where(t => !string.IsNullOrWhiteSpace(t)).ToList();

        if (!includeSeparatorsAsToken)
            return tokens;

        //Reinstate the removed separators      
        var newTokens = new List<string>();
        var startIndex  = 0;
        for(int i = 0, l = tokens.Count(); i < l; i++) 
        {
            var token = tokens[i];          
            var endIndex = input.IndexOf(token);

            if (startIndex < endIndex) {
                //Add back the separator as a new token
                newTokens.Add(input.Substring(startIndex, endIndex - startIndex));
            }
            //Then add the token afterward
            newTokens.Add(token);

            startIndex = endIndex + token.Length;           
        }

        //Add last separator if any
        if (startIndex < input.Length) {            
            newTokens.Add(input.Substring(startIndex));
        }

        return newTokens;
    }   
}

现场示例：https://dotnetfiddle.net/l3mesr

Answer 1

这个怎么样？

using System;
using System.Linq;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        var str = "    Invisible Pty. Ltd.     1 Nowhere St.  Sydney  2000  AUSTRALIA   ";
        //str = " A teddy bear   A red firetruck ";

        //tokenize the input delimited by 2 or more whitespaces
        var tokens = Regex.Matches(str, @"\s{2,}|(\s?[^\s]+(\s[^\s]+)*(\s$)?)").Cast<Match>().ToArray(); 

        foreach(var token in tokens)
        {
            Console.WriteLine("'{0}' - {1}", token, token.Length);
        }
    }
}

我在visual studio中使用了visual studio的Perf和Diagnositics，这比现有的80ms需要40ms。 dotnetfiddle.net报告说性能较慢（？）我可能会相信VS更多，但我只是想把它扔出去。

基本上它是如何工作的，它寻找多空格或其他任何不超过一个空格的东西。

使用复数分隔符/分隔符对字符串进行标记并在C＃中保留分隔符/分隔符作为标记的有效方法

1 个答案: