如何逐字阅读课文

本文关键字：何逐字 | 更新日期: 2023-09-27 18:02:15

我正在使用txt或htm文件。目前我是一个字符一个字符地查找文档，使用for循环，但我需要一个单词一个单词地查找文本，然后在单词内一个字符一个字符地查找。我该怎么做呢?

for (int i = 0; i < text.Length; i++)
{}

如何逐字阅读课文

一个简单的方法是使用不带参数的string.Split(通过空白字符分割):

using (StreamReader sr = new StreamReader(path)) 
{
    while (sr.Peek() >= 0) 
    {
        string line = sr.ReadLine();
        string[] words = line.Split();
        foreach(string word in words)
        {
            foreach(Char c in word)
            {
                // ...
            }
        }
    }
}

我使用StreamReader.ReadLine来读取整行。

要解析HTML，我将使用一个健壮的库，如 htmllagilitypack 。

您可以使用空白分割字符串，但是您必须处理标点符号和HTML标记(您说您正在处理txt和htm文件)。

string[] tokens = text.split(); // default for split() will split on white space
foreach(string tok in tokens)
{
    // process tok string here
}

这是我对StreamReader的懒惰扩展的实现。这个想法是不要将整个文件加载到内存中，特别是如果你的文件是一个单独的长行。

public static string ReadWord(this StreamReader stream, Encoding encoding)
{
    string word = "";
    // read single character at a time building a word 
    // until reaching whitespace or (-1)
    while(stream.Read()
       .With(c => { // with each character . . .
            // convert read bytes to char
            var chr = encoding.GetChars(BitConverter.GetBytes(c)).First();
            if (c == -1 || Char.IsWhiteSpace(chr))
                 return -1; //signal end of word
            else
                 word = word + chr; //append the char to our word
            return c;
    }) > -1);  // end while(stream.Read() if char returned is -1
    return word;
}
public static T With<T>(this T obj, Func<T,T> f)
{
    return f(obj);
}

使用简写:

using (var s = File.OpenText(file))
{
    while(!s.EndOfStream)
        s.ReadWord(Encoding.Default).ToCharArray().DoSomething();
}

使用text.Split(' ')按空格将其分割为一个单词数组，然后遍历该数组。

foreach(String word in text.Split(' '))
   foreach(Char c in word)
      Console.WriteLine(c);

您可以在空白空间上分割:

string[] words = text.split(' ')

将为您提供一个单词数组，然后您可以遍历它们。

foreach(string word in words)
{
    word // do something with each word
}

我认为你可以使用分割

         var  words = reader.ReadToEnd().Split(' ');

或

foreach(String words in text.Split(' '))
   foreach(Char char in words )

您可以使用HTMLAgilityPack从某些HTML中获取所有文本。如果你觉得这太夸张了，看看这里。

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(text);
foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
    var nodeText = node.InnerText;
}

则可以将每个节点的文本内容拆分为单词，一旦定义了单词是什么。

也许像这样，

using HtmlAgilityPack;
static IEnumerable<string> WordsInHtml(string text)
{
    var splitter = new Regex(@"[^'p{L}]*'p{Z}[^'p{L}]*");
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(text);
    foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
    {
        foreach(var word in splitter.Split(node.InnerText)
        {
            yield return word;
        }
    }
}

然后，检查每个单词

中的字符
foreach(var word in WordsInHtml(text))
{
    foreach(var c in word)
    {
        // a enumeration by word then char.
    }
}

regexp是什么?

using System;
using System.Linq;
using System.Text.RegularExpressions;
namespace ConsoleApplication58
{
    class Program
    {
        static void Main()
        {
            string input =
                @"I'm working with a txt or htm file. And currently I'm looking up the document char by char, using for loop, but I need to look up the text word by word, and then inside the word char by char. How can I do this?";
            var list = from Match match in Regex.Matches(input, @"'b'S+'b")
                       select match.Value; //Get IEnumerable of words
            foreach (string s in list) 
                Console.WriteLine(s); //doing something with it
            Console.ReadKey();
        }
    }
}

它可以与任何分隔符一起使用，并且它是最快的方法。

相关文章：