从字符串中删除单词列表

Question

我有一个要从字符串中删除的单词列表我使用以下方法

string stringToClean = "The.Flash.2014.S07E06.720p.WEB-DL.HEVC.x265.RMTeam";

string[] BAD_WORDS = {
            "720p", "web-dl", "hevc", "x265", "Rmteam", "."
        };
    
var cleaned = string.Join(" ", stringToClean.Split(' ').Where(w => !BAD_WORDS.Contains(w, StringComparer.OrdinalIgnoreCase)));

但它不起作用下面的文字是 output

.Flash.2014.S07E06.720p.WEB-DL.HEVC.x265.RMTeam

Answer 1

为此，最好创建一个可重用的方法，将字符串拆分为单词。 我将把它作为字符串的扩展方法来做。 如果您不熟悉扩展方法，请阅读扩展方法揭秘

public static IEnumerable<string> ToWords(this string text)
{
    // TODO implement
}

用法如下：

string text = "This is some wild text!"
List<string> words = text.ToWords().ToList();
var first3Words = text.ToWords().Take(3);
var lastWord = text.ToWords().LastOrDefault();

一旦你掌握了这个方法，你的问题的解决方案就会很容易：

IEnumerable<string> badWords = ...
string inputText = ...
IEnumerable<string> validWords = inputText.ToWords().Except(badWords);

或者，也许您想使用Except(badWords, StringComparer.OrdinalIgnoreCase);

ToWords的实现取决于您所说的单词：由点分隔的所有内容？ 或者你想支持空格吗？ 或者甚至是新行？

您的问题的实现：单词是由点分隔的任何字符序列。

public static IEnumerable<string> ToWords(this string text)
{
    // find the next dot:
    const char dot = '.';
    int startIndex = 0;
    int dotIndex = text.IndexOf(dot, startIndex);
    while (dotIndex != -1)
    {
        // found a Dot, return the substring until the dot:
        int wordLength = dotIndex - startIndex;
        yield return text.Substring(startIndex, wordLength;

        // find the next dot      
        startIndex = dotIndex + 1;
        dotIndex = text.IndexOf(dot, startIndex);
    }

    // read until the end of the text. Return everything after the last dot:
    yield return text.SubString(startIndex, text.Length);
}

去做：

• 如果文本以点“.ABC.DEF”开头，请确定要返回的内容。
• 如果文本以点结尾，请确定要返回的内容：“ABC.DEF”。
• 如果文本为空，请检查返回值是否是您想要的。

Answer 2

您的拆分/加入与您的输入不匹配。

也就是说，这是一个快速的单线：

string clean = BAD_WORDS.Aggregate(stringToClean, (acc, word) => acc.Replace(word, string.Empty));

这基本上是一个“减少”。 性能不是很好，但在已知很小的字符串上，我认为它是可以接受的。 如果您必须使用非常大的字符串或非常多的“单词”，您可能会考虑另一种选择，但它应该适用于您给我们的示例案例。

编辑：这种方法的缺点是你会得到部分。 因此，例如在您的令牌数组中，您有“720p”，但我在此处建议的代码仍将匹配“720px”，但仍有解决方法。 例如，代替使用string的Replace实现，您可以使用匹配分隔符的正则表达式，例如Regex.Replace(acc, $"[. ]{word}([. ])", "$1") (regex未确认但应该关闭，我为分隔符添加了一个捕获，以便将其放回以进行下一次传递）