Question

HOLA。我没有编写一个方法来测试纯文本或html文档中的单词。我用正则表达式合理识字，而且我对c＃更新（来自更多java）。

只是因为，

string html = source.ToLower();
string plaintext = Regex.Replace(html, @"<(.|\n)*?>", " "); // remove tags
plaintext = Regex.Replace(plaintext, @"\s+", " "); // remove excess white space

然后，

string tag = "c++";
bool foundAsRegex = Regex.IsMatch(plaintext,@"\b" + Regex.Escape(tag) + @"\b");
bool foundAsContains = plaintext.Contains(tag);

对于应该找到“c ++”的情况，有时发现AsRegex是真的，有时是假的。我的google-fu很弱，所以我没有太多回到“什么鬼”。任何想法或指示欢迎！

编辑：

我正在搜索简历中的技能匹配。例如，不同的值“c ++”。

编辑：

下面给出了一个真正的摘录：

“......管理 - c，c ++，perl，shell编程......”

Answer 1

问题是\b匹配单词字符和非单词字符。鉴于表达式\bc\+\+\b，您遇到了问题。 “+”是非单词字符。因此，在“xxx c ++，xxx”中搜索模式，你不会找到任何东西。 “+”字符后面没有“单词中断”。

如果您正在寻找非单词字符，那么您将不得不改变您的逻辑。不确定最好的是什么。我想你可以使用\W，但是它不会在行的开头或结尾匹配，所以你需要(^|\W)和(\W|$) ......这很难看。而且速度很慢，但可能仍然足够快，具体取决于您的需求。

Answer 2

你的正则表达式变成了：

/\bc\+\+\b/

这意味着您正在寻找单词边界，后跟字符串c++，后跟另一个单词边界。这意味着它与abc++之类的字符串不匹配，而plaintext.Contains将成功。

如果您可以举例说明正则表达式在您预期成功时失败的地方，那么我们可以给您更明确的答案。

修改：我的原始正则表达式为/\bc++\b/，这是不正确的，因为c++正在传递给Regex.Escape()，它会转出正则表达式元字符，例如{ {1}}。我把它修好了。

正则表达式vs String.Contains

2 个答案: