C# 中的正则表达式分词答案

【问题标题】：Regex Word splitting in C#C# 中的正则表达式分词
【发布时间】：2011-02-20 10:43:09
【问题描述】：

我知道以前有人问过类似的问题，但我找不到一个和我一样的问题，或者足够像我的问题来帮助我:)。所以基本上我想拆分一个包含一堆单词的字符串，并且我不想返回任何不是单词的字符（这是我正在努力解决的关键问题，忽略字符）。这就是我定义问题的方式：

例如：文本："apple^&**^orange1247pear"

我要返回：apple、orange、pear 的数组。

我想我找到的最接近的是：

Regex.Split("apple^orange7pear",@"([a-zA-Z]*)")

拆分出苹果/橙/梨，但也返回一堆其他垃圾和空白字符串。

有谁知道如何阻止 split 函数返回字符串的某些部分，或者这不可能吗？

提前感谢您给我的任何帮助:)

【问题讨论】：

标签： c# regex

【解决方案1】：

Split 应该与您的单词之间的标记匹配。在您的正则表达式中，您在单词周围添加了一个组，因此它包含在结果中，但在这种情况下不需要这样做。请注意，此正则表达式匹配任何除了有效单词 - 任何不是 ASCII 字母的内容：

string[] words = Regex.Split(str, "[^a-zA-Z]+");

另一种选择是直接匹配单词：

MatchCollection matches = Regex.Matches(str, "[a-zA-Z]+");
string[] words2 = matches.Cast<Match>().Select(m => m.Value).ToArray();

第二个选项可能更清楚，并且不会在数组的开头或结尾包含空白元素。

【讨论】：

第一个好，第二个不好。您匹配的是分隔符而不是字母。
@xanatos - 轻微的复制/粘贴问题。谢谢！
@cOrOllArY - 没问题，谢谢！请记住，第一个选项可能会在数组周围创建空元素：">apple.cider<" -> ["", "apple", "cider", ""]

【解决方案2】：

var splits = Regex.Split("aaa $$$bbb ccc", @"[^A-Za-z]+");

但要包含非拉丁字母，我会使用这个：

var splits = Regex.Split("aaa $$$bbb ccc", @"\P{L}+");

【讨论】：

【解决方案3】：

试试这个：

Regex.Matches("kalle  kula(/()&//()nisse8978971", @"[A-Za-z]+")

使用Matches() 将只收集单词，Split() 将分割不是你想要的字符串。

【讨论】：

【解决方案4】：

Kobi 列出的第二个选项更好，更容易控制。我使用以下正则表达式在字符串中定位常见实体，例如单词、数字、电子邮件地址。

var regex = new Regex(@"[\p{L}\p{N}\p{M}]+(?:[-.'´_@][\p{L}|\p{N}|\p{M}]+)*", RegexOptions.Compiled);

【讨论】：