将句子拆分成单词，但在 C# 中标点符号遇到问题

Question

我见过一些类似的问题，但我正在努力实现这一目标。

给定一个字符串，str =“月球是我们的天然卫星，即它绕地球旋转！” 我想提取单词并将它们存储在数组中。 预期的数组元素是这样的。

the 
moon 
is 
our 
natural 
satellite 
i.e. 
it  
rotates 
around 
the 
earth

我尝试使用 String.split( ','\t','\r') 但这不能正常工作。我还尝试删除 . 和其他标点符号，但我也希望解析出像“ie”这样的字符串。实现这一目标的最佳方法是什么？ 我也尝试使用 regex.split 但无济于事。

string[] words = Regex.Split(line, @"\W+");

肯定会感激在正确方向上的一些推动。

Answer 1

正则表达式解决方案。

(\b[^\s]+\b)

如果您真的想要修复ie上的最后一个.，您可以使用它。

((\b[^\s]+\b)((?<=\.\w).)?)

这是我正在使用的代码。

  var input = "The moon is our natural satellite, i.e. it rotates around the Earth!";
  var matches = Regex.Matches(input, @"((\b[^\s]+\b)((?<=\.\w).)?)");

  foreach(var match in matches)
  {
     Console.WriteLine(match);
  }

结果：

<前><代码>
月亮
是
我们的
自然的
卫星
IE
它
旋转
大约
这
地球

Answer 2

我怀疑您正在寻找的解决方案比您想象的要复杂得多。您正在寻找某种形式的实际语言分析，或者至少是一本字典，以便您可以确定句号是单词的一部分还是句子的结尾。您是否考虑过它可能两者兼而有之？

考虑添加允许的“包含标点符号的单词”的字典。这可能是解决您的问题的最简单方法。

Answer 3

这对我有用。

var str="The moon is our natural satellite, i.e. it rotates around the Earth!";
var a = str.Split(new char[] {' ', '\t'});
for (int i=0; i < a.Length; i++)
{
    Console.WriteLine(" -{0}", a[i]);
}

结果：

 -The
 -moon
 -is
 -our
 -natural
 -satellite,
 -i.e.
 -it
 -rotates
 -around
 -the
 -Earth!

您可以对结果进行一些后处理，删除逗号和分号等。

Answer 4

Regex.Matches(input, @"\b\w+\b").OfType<Match>().Select(m => m.Value)