使用 OpenXML 和 Regex 在 Word Docx 中查找和替换撇号（'）的问题

Question

Word 似乎使用与 Visual Studio 不同的撇号字符，这导致使用 Regex 时出现问题。

我正在尝试使用 OpenXML 在 C# 中编辑一些 Word 文档。 我基本上是用公司名称替换​​ [[COMPANY]] 。 这一直很顺利，直到我遇到了名称以 s 结尾的公司的极端情况。 我最终遇到问题 s，有时它会创建一个 s。

示例：公司名称：Simmons 文档中的文本：[[COMPANY]] 的业务是汽车。 结果：西蒙斯的生意是汽车。

这是不正确的英语。

我应该能够像我对 [[COMPANY]] 所做的那样使用基本的查找和替换，但它不起作用。

            Regex apostropheReplace = new Regex("s\\'s");
            docText = apostropheReplace.Replace(docText, "s\'"); 

这不。 似乎 Word 使用的字符和撇号（'）与我在 Visual Studio 中使用键盘上的键时创建的标准字符不同。 如果我使用键盘编写查找和替换，它将不起作用，但如果我从 Word 中复制并粘贴撇号，则它可以。

            Regex apostrophyReplace = new Regex("s\\’s");
            docText = apostrophyReplace.Replace(docText, "s\'"); 

注意第二个正则表达式中的不同字符。 我很困惑为什么会这样，也想知道这是否是这样做的正确方法。 我试过 "'" 但这不起作用。 我只是想知道使用 Word 中复制的字符是否是正确的方法，有没有办法做到这一点，以便两个字符都可以工作，这样我就不会遇到可能用不同的文件创建的文档的问题程序。

Answer 1

发生这种情况的原因是因为它们是不同的字符。

Word 实际上会在您键入某些标点符号后更改它们，以便为它们提供正确的倾向或改进演示文稿。

我之前遇到过同样的问题，我将其用作正则表达式： [\‘\’\‚\‛\′']

因此，基本上将您的代码修改为：

Regex apostropheReplace = new Regex("s\\[\u2018\u2019\u201A\u201b\u2032']s");
docText = apostropheReplace.Replace(docText, "s\'")

我发现这些是使用的五种最常见的单引号和撇号类型。

如果您遇到与双引号相同的问题，您可以使用以下方法： [\“\”\„\‟\″\‶\\"]

Answer 2

回答问题：

有没有办法让两个角色都能工作？

如果您希望一个 Regex 能够处理这两种情况，这可能是一个简单易读的解决方案：

 Regex apostropheReplace = new Regex("s\\['’]s");
 docText = apostropheReplace.Replace(docText, "s\'")

这有一个额外的好处，即您试图涵盖两种撇号情况的其他开发人员可以理解。 这个好处在你问题的另一部分得到：

如果使用从 Word 复制的字符是正确的方法吗？

这取决于你所说的“适当”是什么意思。 如果您的意思是“其他开发人员最容易理解”，我会说是的，因为只需进行最少的查找即可准确了解您的 Regex 正在寻找什么。 如果您的意思是“最高性能”，那么这个简单的 Regex 搜索应该不是问题（可以在此处找到一些不错的 Regex 性能提示）。

如果您的意思是“最通用/最健壮的单引号正则表达式”，那么正如@Leonardo-Seccia 指出的那样，还有其他字符编码可能会导致麻烦。 （ 此处列出了一些常见的 Microsoft Word 解决方案。）这样的解决方案可能如下所示：

Regex apostropheReplace =
    new Regex("s\\['\u2018\u2019\u201A\u201b]s");
docText = apostropheReplace.Replace(docText, "s\'")

但是您当然可以根据需要添加其他字符编码。 可以在此处找到更完整的字符编码列表 - 要将它们添加到上述 Regex，只需将“U+”更改为“u”并将其添加到另一个“\\”字符之后的列表中。 例如，要将“素数”符号（' 或 U+2032）添加到上面的列表中，请将 RegEx 字符串从

Regex("s\\['\u2018\u2019\u201A\u201b]s")

至

Regex("s\\['\u2018\u2019\u201A\u201b\u2032]s")

最终，您将根据您的用例判断哪些字符编码最“适合”包含在您的 Regex 中。