使用 OpenXML 和 Regex 在 Word Docx 中查找和替換撇號（'）的問題

Question

Word 似乎使用與 Visual Studio 不同的撇號字符，這導致使用 Regex 時出現問題。

我正在嘗試使用 OpenXML 在 C# 中編輯一些 Word 文檔。 我基本上是用公司名稱替換​​ [[COMPANY]] 。 這一直很順利，直到我遇到了名稱以 s 結尾的公司的極端情況。 我最終遇到問題 s，有時它會創建一個 s。

示例：公司名稱：Simmons 文檔中的文本：[[COMPANY]] 的業務是汽車。 結果：西蒙斯的生意是汽車。

這是不正確的英語。

我應該能夠像我對 [[COMPANY]] 所做的那樣使用基本的查找和替換，但它不起作用。

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

這不。 似乎 Word 使用的字符和撇號（'）與我在 Visual Studio 中使用鍵盤上的鍵時創建的標准字符不同。 如果我使用鍵盤編寫查找和替換，它將不起作用，但如果我從 Word 中復制並粘貼撇號，則它可以。

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

注意第二個正則表達式中的不同字符。 我很困惑為什么會這樣，也想知道這是否是這樣做的正確方法。 我試過 "'" 但這不起作用。 我只是想知道使用 Word 中復制的字符是否是正確的方法，有沒有辦法做到這一點，以便兩個字符都可以工作，這樣我就不會遇到可能用不同的文件創建的文檔的問題程序。

Answer 1

發生這種情況的原因是因為它們是不同的字符。

Word 實際上會在您鍵入某些標點符號后更改它們，以便為它們提供正確的傾向或改進演示文稿。

我之前遇到過同樣的問題，我將其用作正則表達式： [\‘\’\‚\‛\′']

因此，基本上將您的代碼修改為：

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

我發現這些是使用的五種最常見的單引號和撇號類型。

如果您遇到與雙引號相同的問題，您可以使用以下方法： [\“\”\„\‟\″\‶\\"]

Answer 2

回答問題：

有沒有辦法讓兩個角色都能工作？

如果您希望一個 Regex 能夠處理這兩種情況，這可能是一個簡單易讀的解決方案：

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

這有一個額外的好處，即您試圖涵蓋兩種撇號情況的其他開發人員可以理解。 這個好處在你問題的另一部分得到：

如果使用從 Word 復制的字符是正確的方法嗎？

這取決於你所說的“適當”是什么意思。 如果您的意思是“其他開發人員最容易理解”，我會說是的，因為只需進行最少的查找即可准確了解您的 Regex 正在尋找什么。 如果您的意思是“最高性能”，那么這個簡單的 Regex 搜索應該不是問題（可以在此處找到一些不錯的 Regex 性能提示）。

如果您的意思是“最通用/最健壯的單引號正則表達式”，那么正如@Leonardo-Seccia 指出的那樣，還有其他字符編碼可能會導致麻煩。 （ 此處列出了一些常見的 Microsoft Word 解決方案。）這樣的解決方案可能如下所示：

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

但是您當然可以根據需要添加其他字符編碼。 可以在此處找到更完整的字符編碼列表 - 要將它們添加到上述 Regex，只需將“U+”更改為“u”並將其添加到另一個“\\”字符之后的列表中。 例如，要將“素數”符號（' 或 U+2032）添加到上面的列表中，請將 RegEx 字符串從

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

至

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

最終，您將根據您的用例判斷哪些字符編碼最“適合”包含在您的 Regex 中。