如何使用 RegEx 从字符串中删除某些单词

Question

我需要清理一些单元格，只保留重要的词以生成搜索索引。

例如。 “如何提出帐户恢复请求”将被修剪为“提出帐户恢复请求”，因为“How, To, An”将在要过滤掉的单词列表中。

另一个复杂性是它也将是法语和西班牙语，这意味着我必须处理像 d' 这样的部分词。

到目前为止，我一直在尝试使用一个函数，但它不适用于部分词 (d')，如果“de”和“des”列在同一个单元格中，它将从 DES 中删除 DE然后只保留孤独的 S，因为不再识别 DES：

Function ClearWords(s As String, rWords As Range) As String
Static RX As Object

If RX Is Nothing Then
    Set RX = CreateObject("VBScript.RegExp")
    RX.Global = True
    RX.IgnoreCase = True
End If

RX.Pattern = "\b" & Replace(Join(Application.Transpose(rWords), "|"), ".", "\.") & "\b"

ClearWords = Application.Trim(RX.Replace(s, ""))
End Function

Answer 1

如果您计划支持英语、法语和其他欧洲语言，您可以利用我在Regular expression not working for at least one European character 、(?![×÷])[A-Za-zÀ-ÿ] 发布的正则表达式。这是一个应该匹配您需要支持的所有字母字符的模式。由于您将在 VBA 中使用它，因此将文字扩展字母替换为 \uXXXX 实体并将其转换为单个字符类 [A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF]（[A-Za-zÀ-ÖØ-öø-ÿ] 带有文字字符）是有意义的。

现在，您需要构建自定义边界。初始边界是字符串的开头^，或除上述字母之外的任何字符（如果您想完全模拟\b，可能还有数字和_）。既然要替换，就需要把这两个模式放到一个(^|[^A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF])捕获组中，在替换模式中使用$1来恢复值，以免丢失。尾随边界是除上述字母（或数字/_）和字符串结尾之外的任何字符。由于 VBA 正则表达式支持前瞻，我们可以只使用 负前瞻，(?![A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF])。

把它放在一起：

RX.Pattern = "(^|[^A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF])(?:" & Replace(Join(Application.Transpose(rWords), "|"), ".", "\.") & ")(?![A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF])"
ClearWords = Application.Trim(RX.Replace(s, "$1"))

见this regex demo。

要同时删除之前的空格，请将"(^|[^A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF])(?:" 替换为(?:\s+|(^|[^A-Za-z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u00FF]))(?:。见this regex demo。

奖励：您似乎需要转义单词才能在正则表达式中使用它们：

Dim regExEscape As New RegExp
With regExEscape
    .pattern = "[-/\\^$*+?.()|[\]{}]"
    .Global = True
    .MultiLine = False
End With

只要确保您处理所有单词而不是 Replace(Join(Application.Transpose(rWords), "|"), ".", "\.")。