正则表达式拉丁字符过滤器和非拉丁字符过滤器

Question

我正在开发一个程序，我需要在其中过滤非拉丁字符的单词和句子。问题是，我只找到拉丁字符词和句子，但我没有找到混合拉丁字符和非拉丁字符的词和句子。例如，"Hello"是拉丁字母词，我可以用这个代码来匹配它：

Match match = Regex.Match(line.Line, @"[^\u0000-\u007F]+", RegexOptions.IgnoreCase);

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

但我没有发现例如混合了非拉丁字母的单词或句子："Hellø I am sømthing" .

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

Answer 1

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，“包含”所有这些的正则表达式将是：

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

而捕获块外任何内容的正则表达式将是：

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

请注意，我确实觉得“按块”执行正则表达式有点不对，尤其是当您使用拉丁块时，因为例如在基本拉丁块中您有控制字符（如换行符、.. .)、字母(A-Z、a-z)、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
你可以尝试在 MSDN 上用谷歌搜索它们

来自 https://msdn.microsoft.com/en-us/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你做 Regex.Match(line.Line, @"ABC", RegexOptions.IgnoreCase) 它将匹配 ABC, Abc, abc, ... 这个选项甚至适用于字符范围像 [A-Z] 将同时匹配 A-Z 和 a-z。请注意，在这种情况下它可能没有用，因为我建议的块应该包含大写和小写字母的大写和小写“变体”。

正则表达式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

c#

regex

ascii

non-ascii-characters