c# - 需要 RegEx 返回第一段或前 n 个词

Question

我正在寻找一个 RegEx 来返回段落中的前 [n] 个单词，或者如果该段落包含的单词少于 [n] 个，则返回完整的段落。

例如，假设我最多需要前 7 个单词:

<p>one two <tag>three</tag> four five, six seven eight nine ten.</p><p>ignore</p>

我会得到:

one two <tag>three</tag> four five, six seven

并且在包含少于请求的单词数的段落上使用相同的正则表达式:

<p>one two <tag>three</tag> four five.</p><p>ignore</p>

只会返回:

one two <tag>three</tag> four five.

我对这个问题的尝试导致了以下 RegEx:

^(?:\<p.*?\>)((?:\w+\b.*?){1,7}).*(?:\</p\>)

但是，这只返回第一个词 - “one”。它不起作用。我觉得 。*？ (在\w+\b 之后)导致了问题。

我哪里错了？任何人都可以提供一个可行的 RegEx 吗？

仅供引用，我正在使用 .Net 3.5 的 RegEX 引擎(通过 C#)

非常感谢

Answer 1

好的，完成重新编辑以确认新的“规范”:)

我很确定你不能用一个正则表达式来做到这一点。最好的工具无疑是 HTML 解析器。我能得到的最接近正则表达式的方法是两步法。

首先，将每个段落的内容隔离开来:

<p>(.*?)</p>

如果段落可以跨多行，则需要设置 RegexOptions.Singleline。

然后，在下一步中，遍历您的匹配项并对每个匹配项的 Group[1].Value 应用以下正则表达式一次:

((?:(\S+\s+){1,6})\w+)

这将匹配由空格/制表符/换行符分隔的前七个项目，忽略任何尾随标点符号或非单词字符。

但它会将以空格分隔的标签视为其中一项，即。 e.在

One, two three <br\> four five six seven

它只会匹配到 6。我想就正则表达式而言，没有办法解决这个问题。