删除变音符号，某些字母上的某些变音符号除外

Posted 2023-04-13

【中文标题】删除变音符号，某些字母上的某些变音符号除外

【英文标题】：Remove diacritics, except for certain diacritics on certain letters

【发布时间】：2019-03-03 14:20:45

【问题描述】：

我正在尝试删除希伯来语变音符号。我需要删除所有变音符号，除了给定的变音符号，在给定的字母之后。

这是我不工作的RemoveDiacritics（见fiddle）：

public static string RemoveDiacritics(Dictionary<char, char[]> exclude, string source)

    // Exclude letters (using a lookbehind), include diacritics
    string match = "(?<=[א-ת])[\u05b0-\u05c2]";    

    // Prepare the exclusion group
    string exclusionGroup = string.Join("|", exclude.Select(p => 
         string.Concat(p.Key, string.Join(string.Empty, p.Value)))
    );

    // Create the exclusion group (using a lookahead)
    string except = $"(?!exclusionGroup)";

    // Do the match
    return Regex.Replace(source, string.Concat(except, match), string.Empty);

我测试过：

static void Main(string[] args)

    string source = "חָזִיתִי כְּמִבַּעַד לֶעָשָׁן בְּקִמּוּרֵי הָרֶסֶס הַלָּבָן";
    Dictionary<char, char[]> exclude = new Dictionary<char, char[]>
    
        '\u05db', new char[] '\u05bc'  , // כּ
        '\u05d1', new char[] '\u05bc', '\u05b7'  , // בַּ
    ;
    string replaced = RemoveDiacritics(exclude, source);

预期结果："חזיתי כּמבַּעד לעשן בקמורי הרסס הלבן"（第 2 个单词只有 2 个字母应该有变音符号）。

实际结果："חזיתי כְמִבַעד לעשָן בְקמורי הרסס הלָבן"

在我的实际结果中，你可以看到：

任何带有'\u05bc' 的字母（就是一个字母内的那个小点）和一个附加的变音符号，错误地留下了那个附加的变音符号。

另外，מִ 和 שָ 上还有变音符号（它们分别位于第 2 个和第 3 个单词）。不知道为什么。

我怎样才能让它工作？

【问题讨论】：

作为第一步，我将调试输出exclusionGroup 的运行时值并测试生成的正则表达式

@dlatikay，我得到了预期的结果，即(?!כּ|בַּ)，这就是我需要的（或者我需要吗？）。

你的意思是你想删除所有的变音符号，但在一些字母之后？

@Wiktor Stribiżew，没错。

然后，尝试类似@"(what_you_need_to_keep)|\pM+" 并替换为$1。

【参考方案1】：

你的RemoveDiacritics 方法应该是这样的

public static string RemoveDiacritics(Dictionary<char, char[]> exclude, string source)

    string exclusionGroup = string.Join("|", exclude.Select(p => string.Concat(p.Key, string.Join(string.Empty, p.Value))));
    string leaveOnly = String.Concat(String.Format(@"(0)|\pM+", exclusionGroup));
    return Regex.Replace(source, leaveOnly, "$1");

它的作用是：

exclusionGroup 是从 exclude 字符创建的，这只是一个交替序列 leaveOnly 是正则表达式模式，它的形式是 (<what_you_need_to_keep>)|\pM+，它匹配并捕获您需要保留（忽略）到第 1 组的内容，并且只匹配使用 \pM+ 模式的任何 1+ 变音符号。 替换模式是第 1 组值 $1 的占位符，用于在结果字符串中恢复它。

这是online C# demo。

【讨论】：

@HeyJude 据我了解，它与所有变音符号都不匹配，并且负前瞻和正后瞻在字符串内的同一位置执行。