C# 中用于字符等价的正则表达式

Question

如何在 C# 中使用正则表达式搜索字符串，忽略重音符号；

例如在 Notepad++ 中，对于古希腊语，使用正则表达式搜索：[[=α=]] 将返回：α, ἀ ἁ, ᾶ, ὰ, ά, ᾳ, ....

我知道 Notepad++ 使用的是 PCRE 标准。 如何在 c# 中做到这一点？有等价语法吗？

编辑：

我已经尝试过字符串规范化。不适用于希腊语。例如：“ᾶ”.Normalize(NormalizationForm.FormC) 将返回 ᾶ。看起来规范化仅在“组合字符”的情况下删除重音。 ᾶ 字符是 Unicode 中的一个单独字符！

Answer 1

System.String.Normalize 方法似乎仍然是解决这个问题的关键。

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

public class Program
{
    public static void Main()
    {
        string rawInput = "ἀἁἂἃἄἅἆἇὰάᾀᾁᾂᾃᾄᾅᾆᾇᾰᾱᾲᾳᾴᾶᾷ";
        Console.WriteLine(rawInput);
        string normalizedInput = Utility.RemoveDiacritics(rawInput);    
        string pattern = "α+";

        var result = Regex.Matches(normalizedInput, pattern);
        if(result.Count > 0)
            Console.WriteLine(result[0]);    
    }
}

public static class Utility
{
    public static string RemoveDiacritics(this string str)
    {
        if (null == str) return null;
        var chars =
            from c in str.Normalize(NormalizationForm.FormD).ToCharArray()
            let uc = CharUnicodeInfo.GetUnicodeCategory(c)
            where uc != UnicodeCategory.NonSpacingMark
            select c;

        return new string(chars.ToArray()).Normalize(NormalizationForm.FormC);
    }
}

输出：

ἀἁἂἃἄἅἆἇὰάᾀᾁᾂᾃᾄᾅᾆᾇᾰᾱᾲᾳᾴᾶᾷᾶ
αααααααααααααααααααααααααα

Demo

卡普兰的原始方法：

static string RemoveDiacritics(string text) 
{
    var normalizedString = text.Normalize(NormalizationForm.FormD);
    var stringBuilder = new StringBuilder();        
    foreach (var c in normalizedString)
    {
        var unicodeCategory = CharUnicodeInfo.GetUnicodeCategory(c);
        if (unicodeCategory != UnicodeCategory.NonSpacingMark)
        {
            stringBuilder.Append(c);
        }
    }       
    return stringBuilder.ToString().Normalize(NormalizationForm.FormC);
}

参考资料：

• 迈克尔·S·卡普兰：FoldString.NET? No, but Whidbey has Normalization (which is kinda more cooler)
• 迈克尔·S·卡普兰：Stripping is an interesting job (aka On the meaning of meaningless, aka All Mn characters are non-spacing, but some are more non-spacing than others)
• 代码来自：另见：How do I remove diacritics (accents) from a string in .NET?

PS：不幸的是，PCRE.NET，Lucas Trzesniewski 的 PCRE 库的 .NET 包装器不支持（扩展）POSIX 排序元素。

Answer 2

有几个问题可能会有所帮助 -

How do I remove diacritics (accents) from a string in .NET?

Regex accent insensitive?