删除变音符号，某些字母上的某些变音符号除外

Question

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：

1. 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。

2. 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？

Answer 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})|\p{{M}}+", 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>)|\p{M}+，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 \p{M}+ 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。