将字符串拆分为单词，然后重新加入其他数据

Question

我有一种方法可以用来Regex在文本中查找模式string。它可以工作，但是并不合适，因为它要求文本以确切的顺序出现，而不是将短语视为一组单词。

    public static string HighlightExceptV1(this string text, string wordsToExclude)
    {
        // Original version
        // wordsToExclude usually consists of a 1, 2 or 3 word term.
        // The text must be in a specific order to work.

        var pattern = $@"(\s*\b{wordsToExclude}\b\s*)";

        // Do something to string...
    }

此版本对以前的版本进行了改进，因为它确实允许单词以任何顺序进行匹配，但是由于删除了间距并用管道替换了间距，因此最终输出中会出现间距问题。

    public static string HighlightExceptV2(this string text, string wordsToExclude)
    {
        // This version allows the words to be matched in any order, but it has
        // flaws, in that the natural spacing is removed in some cases.
        var words = wordsToExclude.Replace(' ', '|');

        var pattern = $@"(\s*\b{words}\b\s*)";

        // Example phase: big blue widget
        // Example output: $@"(\s*\bbig|blue|widget\b\s*)"

        // Do something to string...
    }

理想情况下，需要在每个单词周围保留间距。下面的伪示例显示了我正在尝试执行的操作。

1. 将原始短语分解为单词
2. 将每个单词包装在一个正则表达式模式中，该模式将在匹配时保留空间

3. 重新加入单词模式以产生将用于匹配的模式

   public static string HighlightExceptV3(this string text, string wordsToExclude)
   {
       // The outputted pattern must be dynamic due to unknown
       // words in phrase.
   
       // Example phrase: big blue widgets
   
       var words = wordsToExclude.Replace(' ', '|');
       // Example: big|blue|widget
   
       // The code below isn't complete - merely an example
       // of the required output.
   
       var wordPattern = $@"\s*\b{word}\b\s*";
       // Example: $@"\s*\bwidget\b\s*"
   
       var phrasePattern = "$({rejoinedArray})";
       // @"(\s*\bbig\b\s*|\s*\bblue\b\s*|\s*\bwidget\b\s*)";
   
       // Do something to string...
   }
   

注意：可能有更好的方法来处理单词边界间距，但我不是正则表达式专家。

我正在寻找一些帮助/建议来使用分割数组，包装它，然后以最简洁的方式重新加入它。

Answer 1

您需要将所有替代方案包含在一个非捕获组中，(?:...|...)。此外，为了进一步解决最终的问题，我建议将单词边界替换为它们的环视明确等价物，(?<!\w)...(?!\w)。

这是一个有效的 C# 片段：

var text = "there are big widgets in this phrase blue widgets too";
var words = "big blue widgets";
var pattern = $@"(\s*(?<!\w)(?:{string.Join("|", words.Split(' ').Select(Regex.Escape))})(?!\w)\s*)";
var result = string.Concat(Regex.Split(text, pattern, RegexOptions.IgnoreCase).Select((str, index) =>
            index % 2 == 0 && !string.IsNullOrWhiteSpace(str) ? $"<b>{str}</b>" : str));
 Console.WriteLine(result);

笔记

• words.Split(' ').Select(Regex.Escape)- 用words空格分割文本并正则表达式转义每个项目
• string.Join("|",...)|重新构建插入项目之间的字符串
• (?<!\w)负lookbehind 匹配前面没有紧跟着单词char 的位置，而(?!\w)负lookahead 匹配后面没有紧跟着单词char 的位置。