如何提取混合内容文本中的所有英文单词？

Question

1.正则表达式？
2.程序判断连续的几个字符是否是字母？
想到这二种方式，还有什么更好的办法？

Answer 1

  string str =@"void Application_Start(object sender, EventArgs e) 
    {
        // 在应用程序启动时运行的代码
        Application[""total""] = 500000;
        Application[""online""] = 2500;
    }";            System.Text.RegularExpressions.Regex   reg = new Regex("([a-zA-Z]+)");
            System.Text.RegularExpressions.MatchCollection mc = reg.Matches(str);
            foreach (Match m in mc)
            {
                Response.Write(m.Result("$1") + "<BR>");
            }

Answer 2

文本有可能比较大，几十KB的样子
大概格式：
814
00:42:23,100 --> 00:42:26,400
But it comes with sacrifice, believe me.815
00:42:27,400 --> 00:42:28,900
And it's time for you to realize816
00:42:28,900 --> 00:42:34,300
that that talent- it doesn't belong to just you anymore.817
00:42:55,800 --> 00:43:01,800
<font color="#4096d1">破烂熊字幕组
-==http://www.ragbear.com==-
欢迎加入</font>1
00:00:01,800 --> 00:00:04,800
<font color=#4096d1>以下故事内容纯属虚构 如有雷同 实属巧合</font>2
00:00:49,200 --> 00:00:50,600
嗨 Walid3
00:00:50,600 --> 00:00:52,400
你好

Answer 3

([a-zA-Z]+)这就是匹配连续的一个或者多个单词的作用吧？

Answer 4

几十kb根本算不上大，正则完全可以处理，效率上也不会与其它方法有明显的区别另外英文单词中，如果“-”和“'”不出现在首尾，应该算是英文单词的一部分，这个要看需求了Regex reg = new Regex(@"(?i)\b(?!-)[a-z'-]+(?<!-)\b");
MatchCollection mc = reg.Matches(yourStr);
foreach (Match m in mc)
{
    richTextBox2.Text += m.Value + "\n";
}

Answer 5

哦，漏了“'”的判断
Regex reg = new Regex(@"(?i)\b(?!['-])[a-z'-]+(?<!['-])\b");
MatchCollection mc = reg.Matches(yourStr);
foreach (Match m in mc)
{
    richTextBox2.Text += m.Value + "\n";
}不过严格来说，有些情况下“'”出现在尾部也是单词的一部分，要看是否有进行判断的必要了

Answer 6

大小写不同算重复吗？List<string> list = new List<string>();
Regex reg = new Regex(@"(?i)\b(?!['-])[a-z'-]+(?<!['-])\b");
reg.Replace(yourStr, delegate(Match m) { if (!list.Contains(m.Value)) list.Add(m.Value); return ""; });
foreach (string s in list)
{
    richTextBox2.Text += s + "\n";
}以上未做大小写的判断，有需要自己加下就是了

Answer 7

如果其中出现"hello hello hello"这样的情况，得到的Collection中会有3个hello
如何避免呢？

Answer 8

你写个泛型数组LIST<STRING>存放,如果CONTAINS则不添加,再输出成字符串

Answer 9

用类型也可以
for(int i = 0; i < length ; i++)
{
    charType[i] = Char.GetUnicodeCategory(str,i).ToString();
}
charType[i]== "LowercaseLetter"//OtherLetter 汉字
//LowercaseLetter 字母
//SpaceSeparator 空格
//OtherPunctuation 英文逗号
//OtherPunctuation 中文逗号

Answer 10

10楼代码中两处m.Value都改为m.Value.ToLower()就可以了