如何使用正则表达式仅匹配单词？

Question

这是一个双重问题。
1.如何隐式加入外来字符？
2. 如何去掉结尾的空字符串？

IEnumerable<String> words = Regex.Split(input, "[^a-zA-Z0-9-]+");

以上工作就像一个魅力。 然后德国人出现并开始抱怨他们的一些话被分成两半。 当字符串包含点或重音字符时会发生这种情况。 解决它的一种方法是在模式中添加更多字符，但是我们有法语、波兰语和基本上任何非英语语言（只有拉丁字符有效）。

什么是模式化所有字符和数字以及破折号的更好方法？

当我演奏不同的弦时，我也注意到如果末尾有问号，我会得到一个空弦作为最后一个分割部分。 我只是检查最后一个元素是否为空字符串并立即将其切断。

为什么我会得到它以及如何摆脱它？

Answer 1

正则表达式 + Linq 怎么样？

IEnumerable<String> words = Regex.Split(input, @"[^\w0-9-]+")
                                 .Where(s => !String.IsNullOrWhiteSpace(s));

非正则表达式解决方案也是可能的

var words = new string(input.Select(c => char.IsLetterOrDigit(c) || c=='-' ? c : ' ').ToArray())
            .Split()
            .Where(s=>!String.IsNullOrWhiteSpace(s));

Answer 2

请参阅： MSDN： .NET 风格正则表达式的正则表达式中的字符类：

• Word 字符语法是\\w （该表中的字符类在Unicode Character Database中定义。这几乎与a-zA-Z0-9- ，但您可能需要使用\\p{L}0-9-如果要排除下划线。

编辑：并且，作为参考，有一篇文章解释了为什么这一切都有效（而 a-zA-Z 无效） here

您还问如何摆脱结尾的空字符串？

String.Split为您提供了摆脱空条目的选项，而Regex.Split则没有。 由于您使用了? 作为分割点，因为您正在识别用于分割的非单词字符。 您有两个简单的选择：

• 测试 IEnumerable 中的空条目
• 更新您的正则表达式，使其与您的最后一个非单词字符不匹配

但是，如果您选择第二个选项，您最终会得到最后一个 IEnumerable 条目中包含的最后一个字符（您的? ）。 所以，第一个选项更好，除非你想改变你这样做的方式来使用正匹配来提取连续的单词，例如：

MatchCollection m = new Regex("\\w+").Matches(input);
List<string> words = new List<string>();
foreach (Match item in m)
{
    words.Add(item.Value);
}

Answer 3

使用 .NET，这只会匹配单词（即使它们是双引号或非字母数字字符的前缀/后缀。

正则表达式(@"[^0-9-!$%^&@#*()_+|~ =`{}[]:;'<>?,./""""""]\\w+")

将匹配变量 txt 中的文本：

var txt = "000 fred is just \"mad:)\"."

与： [“弗雷德”； “是”; “只是”; “疯狂的”]