c# - 使用复杂分隔符/分隔符标记字符串并将分隔符/分隔符保留为 C# 中的标记的有效方法

Question

我正在尝试找到最有效的方法来创建通用分词器，该分词器将保留复杂的定界符/分隔符作为额外的标记。

是的...我查看了一些诸如 How can i use string#split to split a string with the delimiters + - * / ( ) and space and retain them as an extra token? 之类的问题但到目前为止，它还太具体。我需要针对通用字符串的解决方案。

就我而言，我希望对字符串进行标记，例如

"   A brown bear     A red firetruck  A white horse   "

因此，我期待以下标记:

"   ",              //3 spaces
"A brown bear",
"     ",            //5 spaces
"A red firetruck",
"  ",               //2 spaces
"A white horse",
"   "               //3 spaces

所以，这是我想出的代码，它按预期工作，但我想知道是否有任何改进的地方......

public static class StringExtension
{
    public static List<string> TokenizeUsingRegex(this string input, string separatorRegexPattern, bool includeSeparatorsAsToken = true)
    {
        var tokens = Regex.Split(input, separatorRegexPattern).Where(t => !string.IsNullOrWhiteSpace(t)).ToList();

        if (!includeSeparatorsAsToken)
            return tokens;

        //Reinstate the removed separators      
        var newTokens = new List<string>();
        var startIndex  = 0;
        for(int i = 0, l = tokens.Count(); i < l; i++) 
        {
            var token = tokens[i];          
            var endIndex = input.IndexOf(token);

            if (startIndex < endIndex) {
                //Add back the separator as a new token
                newTokens.Add(input.Substring(startIndex, endIndex - startIndex));
            }
            //Then add the token afterward
            newTokens.Add(token);

            startIndex = endIndex + token.Length;           
        }

        //Add last separator if any
        if (startIndex < input.Length) {            
            newTokens.Add(input.Substring(startIndex));
        }

        return newTokens;
    }   
}

现场示例:https://dotnetfiddle.net/l3mesr

Answer 1

这个怎么样？

using System;
using System.Linq;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        var str = "    Invisible Pty. Ltd.     1 Nowhere St.  Sydney  2000  AUSTRALIA   ";
        //str = " A teddy bear   A red firetruck ";

        //tokenize the input delimited by 2 or more whitespaces
        var tokens = Regex.Matches(str, @"\s{2,}|(\s?[^\s]+(\s[^\s]+)*(\s$)?)").Cast<Match>().ToArray(); 

        foreach(var token in tokens)
        {
            Console.WriteLine("'{0}' - {1}", token, token.Length);
        }
    }
}

我在 Visual Studio 中使用了 Visual Studio 的 Perf 和诊断，这需要 40 毫秒，而现有的需要 80 毫秒。 dotnetfiddle.net 报告性能较慢(？)我可能会更信任 VS，但我只是想把它扔掉。

基本上它的工作原理是查找多个空格或任何其他之间不超过一个空格的内容。