如何将文本拆分成单词？
示例文本：
'哦，你没办法，'猫说：'我们都疯了。我生气了。你疯了。'
该行中的单词是：
【问题讨论】：
在空白处分割文本，然后修剪标点符号。
var text = "'Oh, you can't help that,' said the Cat: 'we're all mad here. I'm mad. You're mad.'";
var punctuation = text.Where(Char.IsPunctuation).Distinct().ToArray();
var words = text.Split().Select(x => x.Trim(punctuation));
完全符合例子。
【讨论】：
首先，删除所有特殊字符：
var fixedInput = Regex.Replace(input, "[^a-zA-Z0-9% ._]", string.Empty);
// This regex doesn't support apostrophe so the extension method is better
然后拆分：
var split = fixedInput.Split(' ');
对于删除特殊字符的更简单的 C# 解决方案（您可以轻松更改），添加此扩展方法（我添加了对撇号的支持）：
public static string RemoveSpecialCharacters(this string str) {
var sb = new StringBuilder();
foreach (char c in str) {
if ((c >= '0' && c <= '9') || (c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z') || c == '\'' || c == ' ') {
sb.Append(c);
}
}
return sb.ToString();
}
然后像这样使用它：
var words = input.RemoveSpecialCharacters().Split(' ');
你会惊讶地发现这种扩展方法非常有效（肯定比 Regex 更有效），所以我建议你使用它；）
更新
我同意这是一种仅限英语的方法，但要使其与 Unicode 兼容，您只需替换：
(c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z')
与：
char.IsLetter(c)
其中支持Unicode，.Net还为您提供char.IsSymbol和char.IsLetterOrDigit的各种情况
【讨论】：
只是为了在@Adam Fridental 的答案上添加一个非常好的变体，你可以试试这个正则表达式：
var text = "'Oh, you can't help that,' said the Cat: 'we're all mad here. I'm mad. You're mad.'";
var matches = Regex.Matches(text, @"\w+[^\s]*\w+|\w");
foreach (Match match in matches) {
var word = match.Value;
}
我相信这是能得到所有单词的最短正则表达式
\w+[^\s]*\w+|\w
【讨论】：
如果您不想使用 Regex 对象，您可以执行类似...
string mystring="Oh, you can't help that,' said the Cat: 'we're all mad here. I'm mad. You're mad.";
List<string> words=mystring.Replace(",","").Replace(":","").Replace(".","").Split(" ").ToList();
您仍然需要处理“that,”末尾的尾随撇号
【讨论】：
这是一种解决方案，我不使用任何辅助类或方法。
public static List<string> ExtractChars(string inputString) {
var result = new List<string>();
int startIndex = -1;
for (int i = 0; i < inputString.Length; i++) {
var character = inputString[i];
if ((character >= 'a' && character <= 'z') ||
(character >= 'A' && character <= 'Z')) {
if (startIndex == -1) {
startIndex = i;
}
if (i == inputString.Length - 1) {
result.Add(GetString(inputString, startIndex, i));
}
continue;
}
if (startIndex != -1) {
result.Add(GetString(inputString, startIndex, i - 1));
startIndex = -1;
}
}
return result;
}
public static string GetString(string inputString, int startIndex, int endIndex) {
string result = "";
for (int i = startIndex; i <= endIndex; i++) {
result += inputString[i];
}
return result;
}
【讨论】：
您可以尝试使用正则表达式删除未被字母包围的撇号（即单引号），然后使用 Char 静态方法删除所有其他字符。通过首先调用正则表达式，您可以保留收缩撇号（例如can't），但删除像'Oh 中的单引号。
string myText = "'Oh, you can't help that,' said the Cat: 'we're all mad here. I'm mad. You're mad.'";
Regex reg = new Regex("\b[\"']\b");
myText = reg.Replace(myText, "");
string[] listOfWords = RemoveCharacters(myText);
public string[] RemoveCharacters(string input)
{
StringBuilder sb = new StringBuilder();
foreach (char c in input)
{
if (Char.IsLetter(c) || Char.IsWhiteSpace(c) || c == '\'')
sb.Append(c);
}
return sb.ToString().Split(' ');
}
【讨论】：
如果您想使用“for 循环”来检查每个字符并保存输入字符串中的所有标点符号，我已经创建了这个类。 GetSplitSentence() 方法返回一个 SentenceSplitResult 列表。在此列表中，保存了所有单词和所有标点符号和数字。保存的每个标点符号或数字都是列表中的一个项目。 sentenceSplitResult.isAWord 用于检查是否是一个单词。 [对不起我的英语]
public class SentenceSplitResult
{
public string word;
public bool isAWord;
}
public class StringsHelper
{
private readonly List<SentenceSplitResult> outputList = new List<SentenceSplitResult>();
private readonly string input;
public StringsHelper(string input)
{
this.input = input;
}
public List<SentenceSplitResult> GetSplitSentence()
{
StringBuilder sb = new StringBuilder();
try
{
if (String.IsNullOrEmpty(input)) {
Logger.Log(new ArgumentNullException(), "GetSplitSentence - input is null or empy");
return outputList;
}
bool isAletter = IsAValidLetter(input[0]);
// Each char i checked if is a part of a word.
// If is YES > I can store the char for later
// IF is NO > I Save the word (if exist) and then save the punctuation
foreach (var _char in input)
{
isAletter = IsAValidLetter(_char);
if (isAletter == true)
{
sb.Append(_char);
}
else
{
SaveWord(sb.ToString());
sb.Clear();
SaveANotWord(_char);
}
}
SaveWord(sb.ToString());
}
catch (Exception ex)
{
Logger.Log(ex);
}
return outputList;
}
private static bool IsAValidLetter(char _char)
{
if ((Char.IsPunctuation(_char) == true) || (_char == ' ') || (Char.IsNumber(_char) == true))
{
return false;
}
return true;
}
private void SaveWord(string word)
{
if (String.IsNullOrEmpty(word) == false)
{
outputList.Add(new SentenceSplitResult()
{
isAWord = true,
word = word
});
}
}
private void SaveANotWord(char _char)
{
outputList.Add(new SentenceSplitResult()
{
isAWord = false,
word = _char.ToString()
});
}
【讨论】：