RegexOptions.CultureInvariant nicht finden Übereinstimmungen für Akzente

Question

Ich möchte eine Regex erstellen, die Akzent ignoriert.

Zum Beispiel:

string s = "I am an old élephant"; 
string pattern = "elephant"; 
bool result = new Regex(pattern, RegexOptions.CultureInvariant).IsMatch(s); 

Meine Kultur, wenn ich testen:

System.Globalization.CultureInfo.CurrentCulture = Fr-fr 

So würde ich diesen Code erwartet eine Übereinstimmung zu finden, aber es funktioniert nicht.

Gibt es einen einfachen Weg, um eine Übereinstimmung dafür zu bekommen?

Ich versuche, eine StringReplace-Überladungsmethode zu machen, die élèphânt durch Elefanten ersetzen würde und so weiter.

Answer 1

Verwendung folgender Methode:

public string removeDiacritics(string str) 
    { 
     var sb = new StringBuilder(); 

     foreach (char c in str.Normalize(NormalizationForm.FormD)) 
     { 
      if (CharUnicodeInfo.GetUnicodeCategory(c) != UnicodeCategory.NonSpacingMark) 
      { 
       sb.Append(c); 
      } 
     } 
     return sb.ToString().Normalize(NormalizationForm.FormC); 
    } 

Dann funktioniert es

 string s = "I am an old élephant"; 
     string pattern = "elephant"; 
     bool result = new Regex(pattern, RegexOptions.IgnoreCase).IsMatch(removeDiacritics(s)); //true 

Wenn Sie müssen etwas ersetzen, z. Iteriere (rückwärts) durch die Matchcollection und bearbeite deine ursprüngliche Zeichenkette abhängig von den Indizes jeder Übereinstimmung.

Explaination: (i bin mit der "Ich bin ein alter Elefant" string)

Lassen Sie uns alle Zeichen der ursprünglichen Zeichenfolge in eine Liste schreiben:

foreach (char c in str) 
{ 
    chars1.Add(c); 
} 

Wie Sie können sehen, das Char ist definiert als Unicode Char 233 oder 00E9 (siehe http://unicode-table.com/de/#00E9)

Die Normalisierung wird hier erklärt https://msdn.microsoft.com/en-us/library/system.text.normalizationform(v=vs.110).aspx

Wie die Dokumention sagt: Form D:

Indicates that a Unicode string is normalized using full canonical decomposition. 

Das bedeutet, dass das Zeichen é wird in eine E und einem Akzente char "aufgeteilt".

Um das zu überprüfen, lassen Sie sie gibt die Zeichen des normalisierten string:

List<char> chars2 = new List<char>(); 
foreach(char c in str.Normalize(NormalizationForm.FormD)) 
{ 
    chars2.Add(c); 
} 

Wie in der Uhr zu sehen ist, wird das é nun in 2 Zeichen normalisiert (101 (\ u0065) + 769 (\ u0301))

Jetzt müssen wir diese Akzente beseitigen: Durch alle Zeichen der normalisierten Zeichenkette Iterieren und wenn es eine "NonSpacingMark" ist, fügen Sie sie zum StringBuilder hinzu.

MSDN: https://msdn.microsoft.com/en-us/library/system.globalization.unicodecategory(v=vs.110).aspx

NonSpacingMark

Ohne Zwischenraum Charakter, die Modifikationen eines Basiszeichen angibt. Bezeichnet mit der Unicode-Bezeichnung "Mn" (Marke, Nonspacing). Der Wert ist 5.

Schließlich, um sicherzustellen, dass alle anderen Zeichen, die jetzt als 2 oder 3 Zeichen in unserem String definiert sind, werden „umgewandelt“ in das Unicode-Zeichen Symbol bekommen, müssen wir unsere neuen normalisieren String zurück zum FormC.

MSDN: FormC:

Zeigt an, dass eine Unicode-Zeichenfolge normiert volle kanonische Zersetzung verwendet wird, gefolgt von der Ersetzung von Sequenzen mit ihrer primären Komposite, wenn möglich.

Answer 2

Sie geben eine Kultur In Variante Regex. Das heißt, Ihre Kultur ist ignoriert. Also entweder Sie haben die Möglichkeit, entfernen ...

bool result = new Regex(pattern).IsMatch(s); 

... oder wenn Sie Kultur unabhängig sein wollen, erweitern Sie Ihr Muster:

string pattern = "[eé]lephant"; 

Answer 3

Wenn Sie Regulärer Ausdruck verwenden möchten, können Sie \P{L} verwenden, um anzugeben, dass ein gegebener Unicode-Zeichen ein Buchstabe ist.

 string s = "I am an old ùûüÿàâçéèêëïîô"; 
     string pattern = @"(\p{L})"; 
     var regex = new Regex(pattern); 
     var result = regex.Replace(s, @"$1"); 
     Console.WriteLine(result);//I am an old uuuyaaceeeeiio