使用正则表达式将多语言字符串拆分为单语言令牌
本文关键字:语言 单语言 令牌 字符串 正则表达式 拆分 | 更新日期: 2023-09-27 18:31:24
我想使用正则表达式将多语言字符串拆分为单语言标记。
例如,对于这个英语-阿拉伯语字符串:
"他的名字叫محمد,他的母亲叫آمنه。"
结果必须如下所示:
- "他的名字是"
- "محمد,"
- '他的母亲名叫"
- "آمنه。"
它并不完美(你肯定需要在一些现实世界的例子中尝试一下,看看它是否合适),但这是一个开始:
splitArray = Regex.Split(subjectString,
@"(?<='p{IsArabic}) # (if the previous character is Arabic)
['p{Zs}'p{P}]+ # split on whitespace/punctuation
(?='p{IsBasicLatin}) # (if the following character is Latin)
| # or
(?<='p{IsBasicLatin}) # vice versa
['s'p{P}]+
(?='p{IsArabic})",
RegexOptions.IgnorePatternWhitespace);
如果前面的字符来自阿拉伯语块,而后面的字符来自基本拉丁语块(反之亦然),则会在空格/标点符号上拆分。
System.Text.RegularExpressions.Regex regx = new System.Text.RegularExpressions.Regex(@"(['s'(':]*[a-zA-Z]+['s')':]*)+");
var matchs = regx.Matches(input).Cast<System.Text.RegularExpressions.Match>().ToList();