c# - separacion - impedir que se dividan las palabras entre líneas power point

¿Cómo dividir el texto en palabras?

Question

¿Cómo dividir el texto en palabras?

Texto de ejemplo:

''Oh, no puedes evitarlo'', dijo el Gato: ''todos estamos locos aquí. Estoy loco. Estas loco.''

Las palabras en esa línea son:

1. Oh
2. tú
3. hipocresía
4. ayuda
5. ese
6. dijo
7. la
8. Gato
9. fueron
10. todos
11. enojado
12. aquí
13. soy
14. enojado
15. Tu eres
16. enojado

Answer 1

Dividir texto en espacios en blanco, luego recortar puntuación.

var text = "''Oh, you can''t help that,'' said the Cat: ''we''re all mad here. I''m mad. You''re mad.''";
var punctuation = text.Where(Char.IsPunctuation).Distinct().ToArray();
var words = text.Split().Select(x => x.Trim(punctuation));

Está de acuerdo exactamente con el ejemplo.

Answer 2

Este es uno de solución, no uso ninguna clase de ayuda o método.

        public static List<string> ExtractChars(string inputString) {
            var result = new List<string>();
            int startIndex = -1;
            for (int i = 0; i < inputString.Length; i++) {
                var character = inputString[i];
                if ((character >= ''a'' && character <= ''z'') ||
                    (character >= ''A'' && character <= ''Z'')) {
                    if (startIndex == -1) {
                        startIndex = i;
                    }
                    if (i == inputString.Length - 1) {
                        result.Add(GetString(inputString, startIndex, i));
                    }
                    continue;
                }
                if (startIndex != -1) {
                    result.Add(GetString(inputString, startIndex, i - 1));
                    startIndex = -1;
                }
            }
            return result;
        }

        public static string GetString(string inputString, int startIndex, int endIndex) {
            string result = "";
            for (int i = startIndex; i <= endIndex; i++) {
                result += inputString[i];
            }
            return result;
        }

Answer 3

Primero, remueve todos los caracteres especiales:

var fixedInput = Regex.Replace(input, "[^a-zA-Z0-9% ._]", string.Empty);
// This regex doesn''t support apostrophe so the extension method is better

Luego dividirlo:

var splitted = fixedInput.Split('' '');

Para una solución de C # más simple para eliminar caracteres especiales (que puede cambiar fácilmente), agregue este método de extensión (agregué un soporte para un apóstrofe):

public static string RemoveSpecialCharacters(this string str) {
   StringBuilder sb = new StringBuilder();
   foreach (char c in str) {
      if ((c >= ''0'' && c <= ''9'') || (c >= ''A'' && c <= ''Z'') || (c >= ''a'' && c <= ''z'') || c == ''/''') {
         sb.Append(c);
      }
   }
   return sb.ToString();
}

Entonces utilízalo así:

var words = input.RemoveSpecialCharacters().Split('' '');

Se sorprenderá al saber que este método de extensión es muy eficiente (seguramente mucho más eficiente que el Regex), así que le sugeriré que lo use;)

Actualizar

Estoy de acuerdo en que este es un enfoque solo en inglés, pero para hacerlo compatible con Unicode, todo lo que tiene que hacer es reemplazar:

(c >= ''A'' && c <= ''Z'') || (c >= ''a'' && c <= ''z'')

Con:

char.IsLetter(c)

Que admite Unicode, .Net también le ofrece char.IsSymbol y char.IsLetterOrDigit para la variedad de casos

Answer 4

Puede intentar usar una expresión regular para eliminar los apóstrofes que no están rodeados por letras (es decir, comillas simples) y luego usar los métodos estáticos Char para eliminar todos los demás caracteres. Al llamar primero a la expresión regular, puede mantener los apóstrofes de contracción (por ejemplo can''t ) pero eliminar las comillas simples como en ''Oh .

string myText = "''Oh, you can''t help that,'' said the Cat: ''we''re all mad here. I''m mad. You''re mad.''";

Regex reg = new Regex("/b[/"'']/b");
myText = reg.Replace(myText, "");

string[] listOfWords = RemoveCharacters(myText);

public string[] RemoveCharacters(string input)
{
    StringBuilder sb = new StringBuilder();
    foreach (char c in input)
    {
        if (Char.IsLetter(c) || Char.IsWhiteSpace(c) || c == ''/''')
           sb.Append(c);
    }

    return sb.ToString().Split('' '');
}

Answer 5

Si no desea utilizar un objeto Regex, podría hacer algo como ...

string mystring="Oh, you can''t help that,'' said the Cat: ''we''re all mad here. I''m mad. You''re mad.";
List<string> words=mystring.Replace(",","").Replace(":","").Replace(".","").Split(" ").ToList();

Aún tendrás que manejar el apóstrofe al final de "eso".

Answer 6

Solo para agregar una variación en la respuesta de @Adam Fridental que es muy buena, puedes probar este Regex:

var text = "''Oh, you can''t help that,'' said the Cat: ''we''re all mad here. I''m mad. You''re mad.''";

var matches = Regex.Matches(text, @"/w+[^/s]*/w+|/w");

foreach (Match match in matches) {
    var word = match.Value;
}

Creo que este es el RegEx más corto que tendrá todas las palabras

/w+[^/s]*/w+|/w