使用正则表达式分割多语言字符串到单语标记

Question

我想使用正则表达式将多语言字符串分割成单语标记。

例如，对于这个英语 - 阿拉伯语字符串：

“他的名字是محمد，他的母亲的名字是آمنه。”

的结果必须是如下：

1. '他的名字是'
2. 'محمد'
3. '和他的母亲的名字是'
4. 'آمنه。'

Answer 1

它并不完美（你一定要尝试一些真实世界的例子，看看它是否适合），但它是一个开始：

splitArray = Regex.Split(subjectString, 
    @"(?<=\p{IsArabic}) # (if the previous character is Arabic) 
    [\p{Zs}\p{P}]+   # split on whitespace/punctuation 
    (?=\p{IsBasicLatin}) # (if the following character is Latin) 
    |      # or 
    (?<=\p{IsBasicLatin}) # vice versa 
    [\s\p{P}]+ 
    (?=\p{IsArabic})", 
    RegexOptions.IgnorePatternWhitespace); 

这按空白进行分割/标点符号如果前面字符来自阿拉伯语区块，以下字符来自基本拉丁语区块（反之亦然）。

Answer 2

System.Text.RegularExpressions.Regex regx = new System.Text.RegularExpressions.Regex(@"([\s\(\:]*[a-zA-Z]+[\s\)\:]*)+"); 
var matchs = regx.Matches(input).Cast<System.Text.RegularExpressions.Match>().ToList();