需要RegEx才能返回第一段或前n個單詞

Question

我正在尋找RegEx來返回段落中的第一個[n]單詞，或者如果段落包含少於[n]個單詞，則返回完整的段落。

例如，假設我最多需要前7個單詞：

<p>one two <tag>three</tag> four five, six seven eight nine ten.</p><p>ignore</p>

我得到：

one two <tag>three</tag> four five, six seven

對包含少於請求的字數的段落使用相同的RegEx：

<p>one two <tag>three</tag> four five.</p><p>ignore</p>

簡單地回復：

one two <tag>three</tag> four five.

我對此問題的嘗試產生了以下RegEx：

^(?:\<p.*?\>)((?:\w+\b.*?){1,7}).*(?:\</p\>)

但是，這只返回第一個單詞 - “one”。 它不起作用。 我覺得 。*？ （在\\ w + \\ b之后）導致問題。

我哪里錯了？ 任何人都可以提出一個有效的RegEx嗎？

僅供參考，我正在使用.Net 3.5的RegEX引擎（通過C＃）

非常感謝

Answer 1

好的，完成重新編輯以確認新的“規范”:)

我很確定你不能用一個正則表達式做到這一點。 最好的工具肯定是HTML解析器。 我能用正則表達式得到的最接近的是兩步法。

首先，用以下內容隔離每個段落的內容：

<p>(.*?)</p>

如果段落可以跨越多行，則需要設置RegexOptions.Singleline 。

然后，在下一步中，迭代您的匹配並在每個匹配的Group[1].Value上應用以下正則表達式Group[1].Value ：

((?:(\S+\s+){1,6})\w+)

這將匹配由空格/制表符/換行符分隔的前七個項目，忽略任何尾隨標點符號或非單詞字符。

但它會將由空格分隔的標簽視為其中一個項目，即在

One, two three <br\> four five six seven

它只會匹配到six 。 我想那是正則表達式，沒有辦法解決這個問題。

Answer 2

我有同樣的問題，並將一些Stack Overflow答案合並到這個課程中。 它使用HtmlAgilityPack，這是一個更好的工具。 呼叫：

 Words(string html, int n)

得到n個單詞

using HtmlAgilityPack;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;


namespace UmbracoUtilities
{
    public class Text
    {
      /// <summary>
      /// Return the first n words in the html
      /// </summary>
      /// <param name="html"></param>
      /// <param name="n"></param>
      /// <returns></returns>
      public static string Words(string html, int n)
      {
        string words = html, n_words;

        words = StripHtml(html);
        n_words = GetNWords(words, n);

        return n_words;
      }


      /// <summary>
      /// Returns the first n words in text
      /// Assumes text is not a html string
      /// http://stackoverflow.com/questions/13368345/get-first-250-words-of-a-string
      /// </summary>
      /// <param name="text"></param>
      /// <param name="n"></param>
      /// <returns></returns>
      public static string GetNWords(string text, int n)
      {
        StringBuilder builder = new StringBuilder();

        //remove multiple spaces
        //http://stackoverflow.com/questions/1279859/how-to-replace-multiple-white-spaces-with-one-white-space
        string cleanedString = System.Text.RegularExpressions.Regex.Replace(text, @"\s+", " ");
        IEnumerable<string> words = cleanedString.Split().Take(n + 1);

        foreach (string word in words)
          builder.Append(" " + word);

        return builder.ToString();
      }


      /// <summary>
      /// Returns a string of html with tags removed
      /// </summary>
      /// <param name="html"></param>
      /// <returns></returns>
      public static string StripHtml(string html)
      {
        HtmlDocument document = new HtmlDocument();
        document.LoadHtml(html);

        var root = document.DocumentNode;
        var stringBuilder = new StringBuilder();

        foreach (var node in root.DescendantsAndSelf())
        {
          if (!node.HasChildNodes)
          {
            string text = node.InnerText;
            if (!string.IsNullOrEmpty(text))
              stringBuilder.Append(" " + text.Trim());
          }
        }

        return stringBuilder.ToString();
      }



    }
}

聖誕節快樂！

Answer 3

1. 使用HTML解析器獲取第一段，展平其結構（即刪除段落中的裝飾HTML標記）。
2. 搜索第n個空白字符的位置。
3. 將子串從0到該位置。

編輯：我刪除了第2步和第3步的正則表達式提議，因為它是錯誤的（感謝評論者）。 此外，HTML結構需要展平。