正则表达式的文化问题答案

【问题标题】：Culture issue with regexp正则表达式的文化问题
【发布时间】：2015-04-08 10:06:27
【问题描述】：

我正在尝试计算消息中某个单词的出现次数。

我有这行代码：

 var nbOccurences = Regex.Matches(haystack, needle, RegexOptions.CultureInvariant | RegexOptions.IgnoreCase).Count;

这非常适用于例如消息“我的名字是 bob”中的“bob”。

但是（因为消息可以是法语），我希望在查找“chene”时能够找到“chene”、“chène”、“chêne”……。目前，带有重音的单词不会作为结果出现。

我认为添加 RegexOptions.CultureInvariant 会有所帮助，但似乎没有。

任何帮助将不胜感激。

【问题讨论】：

标签： c# regex

【解决方案1】：

您可以使用此方法将扩展字母转换为它们的基：

string RemoveDiacritics(string stIn)
    {
        var stFormD = stIn.Normalize(NormalizationForm.FormD);
        var sb = new StringBuilder();
        for (var ich = 0; ich < stFormD.Length; ich++)
        {
            var uc = System.Globalization.CharUnicodeInfo.GetUnicodeCategory(stFormD[ich]);
            if (uc != System.Globalization.UnicodeCategory.NonSpacingMark)
                sb.Append(stFormD[ich]);
        }

        return (sb.ToString().Normalize(NormalizationForm.FormC));
    }

然后：

var haystack = "chêne name is chène";
var needle = "chène";
var nbOccurences = Regex.Matches(RemoveDiacritics(haystack), RemoveDiacritics(needle), RegexOptions.CultureInvariant | RegexOptions.IgnoreCase).Count;

nbOccurences 将等于 2。

【讨论】：

【解决方案2】：

该选项 (RegexOptions.CultureInvariant) 仅连接到 RegexOptions.IgnoreCase。来自https://msdn.microsoft.com/en-us/library/system.text.regularexpressions.regexoptions(v=vs.90).aspx

文化不变

指定忽略语言中的文化差异。 有关详细信息，请参阅在正则表达式命名空间中执行文化不敏感操作。

我认为除了有一个不带变音符号的文本版本（例如参见How do I remove diacritics (accents) from a string in .NET?）之外，没有其他方法可以做你想做的事。

请注意，如果您只是想查找一个单词，您可以：

var compareinfo = CultureInfo.InvariantCulture.CompareInfo;
var index = compareinfo.IndexOf("My name is chêne", "chene", CompareOptions.IgnoreNonSpace | CompareOptions.IgnoreCase);
bool found = index > -1;

（取自allow accented characters to be searchable?）

【讨论】：