使用正则表达式 C# 替换 Unicode（泰米尔语）字符串

Question

我正在实现泰米尔语的词法解析。 我需要通过以下条件替换文本元素值

        string[] ugaramStrings = { "கு", "சு", "டு", "து", "பு", "று" };
        string[] tamilvowels =
            {
                "அ",// "\u0b85"
                "ஆ",//"\u0b86"
                "இ",//"\u0b87"
                "ஈ",//"\u0b88"
                "உ",//"\u0b89"
                "ஊ",//"\u0b8A"
                "எ",// "\u0b8E"
                "ஏ",//"\u0b8F"
                "ஐ",//"\u0b90"
                "ஒ",//"\u0b92"
                "ஓ",//"\u0b93"
                "ஔ"//"\u0b94"
            };

如果任何单词具有连续的 ugaramStrings 元素和泰米尔元音元素。 是否需要替换 ugaram 字符串并返回值。

例如அமர்ந்*துஇ*னிது替换为அமர்ந்*இ*னிது。 即துஇ=>இ

我已经通过使用TextElementEnumerator 类检查下一个字符串元素来完成它。 是否有任何可能，以便使用RegularExpression替换它

Answer 1

试试这个：

string[] ugaramStrings = { "கு", "சு", "டு", "து", "பு", "று" };
string[] tamilvowels =
{
    "அ",// "\u0b85"
    "ஆ",//"\u0b86"
    "இ",//"\u0b87"
    "ஈ",//"\u0b88"
    "உ",//"\u0b89"
    "ஊ",//"\u0b8A"
    "எ",// "\u0b8E"
    "ஏ",//"\u0b8F"
    "ஐ",//"\u0b90"
    "ஒ",//"\u0b92"
    "ஓ",//"\u0b93"
    "ஔ"//"\u0b94"
};

var rxTemp = "(" +
    string.Join("|", ugaramStrings) + ")(" +
    string.Join("|", tamilvowels) + ")";

var rx = new Regex(rxTemp);

string str = "அமர்ந்*துஇ*னிது";

// This will contain all the matches
var matches = new List<Match>();

string str2 = rx.Replace(str, match => {
    matches.Add(match);
    // Group[1] will contain the ugaram letter, 
    // Group[2] will contain the tamil vowel
    return match.Groups[2].Value;
});

它似乎工作正常。 str2 将包含替换的字符串，而 matches 将包含所有匹配项

请注意，例如，ugaram 字符是组合字符，因此每个 ugaram“字符”使用两个 C#chars。

例如 கு 是 'க' + 'ு'。

这是非法的：

char ch = 'இ';

这是合法的：

string str = "இ"; // str.Length == 2

因此，您不能简单地[குசுடுதுபுறு]，而必须(கு|சு|டு|து|பு|று)。