使用 OpenXML 和 Regex 在 Word Docx 中查找和替换撇号（'）的问题

Question

Word 似乎使用了与 Visual Studio 不同的撇号字符，这导致使用 Regex 时出现问题。

我正在尝试使用 OpenXML 在 C# 中编辑一些 Word 文档。我基本上用公司名称替换​​ [[COMPANY]]。这一直很顺利，直到我遇到了名称以 s 结尾的公司的极端案例。我最终会遇到问题，有时它会创建一个 s。

示例： 公司名称：西蒙斯 Doc 中的文字：[[COMPANY]] 的业务是汽车。 结果：西蒙斯的生意是汽车。

这是不恰当的英语。

我应该能够像在 [[COMPANY]] 中那样使用基本的查找和替换，但它不起作用。

            Regex apostropheReplace = new Regex("s\\'s");
            docText = apostropheReplace.Replace(docText, "s\'"); 

这不是。似乎 Word 使用的字符和撇号（'）与我在 Visual Studio 中使用键盘上的键时创建的标准字符不同。如果我使用键盘编写查找和替换，它将不起作用，但如果我从 Word 复制并粘贴撇号，它会起作用。

            Regex apostrophyReplace = new Regex("s\\’s");
            docText = apostrophyReplace.Replace(docText, "s\'"); 

注意第二个正则表达式中的不同字符。我对为什么会这样感到困惑，并且还想知道这是否是正确的做法。我尝试了“'”，但这不起作用。我只是想知道使用从 Word 复制的字符是否是正确的方法，是否有办法做到这一点，以便两个字符都可以工作，所以我对可能使用不同的文档创建的文档没有问题程序。

Answer 1

发生这种情况的原因是因为它们是不同的字符。

Word 实际上会在您键入一些标点字符后更改它们，以便为它们提供正确的倾向或改进演示。

我之前遇到过同样的问题，我用它作为正则表达式：[\u2018\u2019\u201A\u201b\u2032']

所以基本上将您的代码修改为：

Regex apostropheReplace = new Regex("s\\[\u2018\u2019\u201A\u201b\u2032']s");
docText = apostropheReplace.Replace(docText, "s\'")

我发现这是最常用的五种单引号和撇号。

如果您在使用双引号时遇到同样的问题，可以使用以下方法：[\u201C\u201D\u201E\u201F\u2033\u2036\"]

Answer 2

回答问题：

有没有办法让两个角色都能工作？

如果您希望一个 Regex 能够处理这两种情况，这可能是一个简单易读的解决方案：

 Regex apostropheReplace = new Regex("s\\['’]s");
 docText = apostropheReplace.Replace(docText, "s\'")

这具有额外的好处，即您试图涵盖两种撇号情况的其他开发人员可以理解。这种好处可以解决您问题的另一部分：

如果使用从 Word 中复制的字符是正确的做法？

这取决于您所说的“正确”是什么意思。如果您的意思是“其他开发人员最容易理解”，我会说是的，因为只需最少的查找量就可以准确地知道您的 Regex 正在寻找什么。如果您的意思是“最高性能”，那么这种简单的正则表达式搜索应该不是问题（可以找到一些不错的正则表达式性能提示 here）。

如果您的意思是“最通用/最强大的单引号正则表达式”，那么正如@Leonardo-Seccia 指出的那样，还有其他可能导致麻烦的字符编码。 （here 列出了一些常见的 Microsoft Word。）这样的解决方案可能如下所示：

Regex apostropheReplace =
    new Regex("s\\['\u2018\u2019\u201A\u201b]s");
docText = apostropheReplace.Replace(docText, "s\'")

但您当然可以根据需要添加其他字符编码。可以在here 找到更完整的字符编码列表 - 要将它们添加到上述正则表达式中，只需将“U+”更改为“u”并将其添加到另一个“\”字符之后的列表中。例如，要将“prime”符号（' 或 U+2032）添加到上面的列表中，请将 RegEx 字符串从

Regex("s\\['\u2018\u2019\u201A\u201b]s")

到

Regex("s\\['\u2018\u2019\u201A\u201b\u2032]s")

最终，您将根据您的用例判断哪些字符编码最“适合”包含在您的正则表达式中。