关于C＃：Regex拉丁字符过滤器和非拉丁字符过滤器


Regex Latin characters filter and non latin character filer

我正在开发一个程序，需要过滤非拉丁字符的单词和句子。 问题是，我只找到了拉丁字符单词和句子，但是没有找到混合了拉丁字符和非拉丁字符的单词和句子。 例如，" Hello"是拉丁字母，可以使用以下代码对其进行匹配：

1
2
3
4
5
6
Match match = Regex.Match(line.Line, @"[^\u0000-\u007F]+", RegexOptions.IgnoreCase);

if (match.Success)
{
    line.Line = match.Groups[1].Value;
}

但是我没有发现例如混有非拉丁字母的单词或句子："地狱？我在做什么？"。

另外，有人可以解释什么是RegexOptions.None或RegexOptions.IgnoreCase以及它们代表什么吗？

相关讨论

四个"拉丁"块是(来自http://www.fileformat.info/info/unicode/block/index.htm)：

Basic Latin U+0000 - U+007F

Latin-1 Supplement U+0080 - U+00FF

Latin Extended-A U+0100 - U+017F

Latin Extended-B U+0180 - U+024F

因此，一个"包括"所有这些的正则表达式将是：

1
Regex.Match(line.Line, @"[\u0000-\u024F]+", RegexOptions.None);

而正则表达式可以捕获块外的任何内容将是：

1
Regex.Match(line.Line, @"[^\u0000-\u024F]+", RegexOptions.None);

请注意，我确实认为"按块"进行正则表达式有点错误，尤其是在使用拉丁语块时，因为例如在基本拉丁语块中，您具有控制字符(例如换行符，...)，字母( AZ，az)，数字(0-9)，标点符号(。，;：...)，其他字符($ @ /＆...)等。

对于RegexOptions.None和RegexOptions.IgnoreCase的含义

  • 他们的名字很清楚

  • 您可以尝试在MSDN上搜索它们

从https://msdn.microsoft.com/zh-cn/library/system.text.regularexpressions.regexoptions.aspx：

RegexOptions.None: Specifies that no options are set

RegexOptions.IgnoreCase: Specifies case-insensitive matching.

最后一个意味着，如果您执行Regex.Match(line.Line, @"ABC", RegexOptions.IgnoreCase)，它将匹配ABC，ABC，ABC，...，并且此选项即使在像[A-Z]这样的字符范围都可以匹配A-Z和< x7>。请注意，在这种情况下它可能没有用，因为我建议的块应同时包含大小写字母的大写和小写字母"变体"。