需要RegEx才能返回第一段或前n个单词

我正在寻找RegEx来返回段落中的第一个[n]单词，或者如果段落包含少于[n]个单词，则返回完整的段落。

例如，假设我最多需要前7个单词：

one two three four five, six seven eight nine ten.
ignore 

我得到：

 one two three four five, six seven 

对包含少于请求的字数的段落的相同RegEx：

 
one two three four five.
ignore 

简单回归：

 one two three four five. 

我对此问题的尝试产生了以下RegEx：

 ^(?:\
)((?:\w+\b.*?){1,7}).*(?:\
) 

但是，这只返回第一个单词 – “one”。 它不起作用。 我觉得 。*？ （在\ w + \ b之后）导致问题。

我哪里错了？ 任何人都可以提出一个有效的RegEx吗？

仅供参考，我正在使用.Net 3.5的RegEX引擎（通过C＃）

非常感谢

Answer 1

好的，完成重新编辑以确认新的“规范”:)

我很确定你不能用一个正则表达式做到这一点。 最好的工具肯定是HTML解析器。 我能用正则表达式得到的最接近的是两步法。

首先，用以下内容隔离每个段落的内容：

 
(.*?) 

如果段落可以跨越多行，则需要设置RegexOptions.Singleline 。

然后，在下一步中，迭代您的匹配并在每个匹配的Group[1].Value上应用以下正则表达式Group[1].Value ：

 ((?:(\S+\s+){1,6})\w+) 

这将匹配由空格/制表符/换行符分隔的前七个项目，忽略任何尾随标点符号或非单词字符。

但是它会将由空格分隔的标签视为其中一个项目，即

 One, two three  four five six seven 

它只会匹配到six 。 我想那是正则表达式，没有办法解决这个问题。

Answer 2

1. 使用HTML解析器获取第一段，展平其结构（即删除段落中的装饰HTML标记）。
2. 搜索第n个空白字符的位置。
3. 将子串从0到该位置。

编辑：我删除了第2步和第3步的正则表达式提议，因为它是错误的（感谢评论者）。 此外，HTML结构需要展平。

Answer 3

我有同样的问题，并将一些Stack Overflow答案组合到这个类中。 它使用HtmlAgilityPack，这是一个更好的工具。 呼叫：

  Words(string html, int n) 

得到n个单词

 using HtmlAgilityPack; using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks; namespace UmbracoUtilities { public class Text { /// 
 /// Return the first n words in the html /// 
 ///  ///  ///  public static string Words(string html, int n) { string words = html, n_words; words = StripHtml(html); n_words = GetNWords(words, n); return n_words; } /// 
 /// Returns the first n words in text /// Assumes text is not a html string /// http://stackoverflow.com/questions/13368345/get-first-250-words-of-a-string /// 
 ///  ///  ///  public static string GetNWords(string text, int n) { StringBuilder builder = new StringBuilder(); //remove multiple spaces //http://stackoverflow.com/questions/1279859/how-to-replace-multiple-white-spaces-with-one-white-space string cleanedString = System.Text.RegularExpressions.Regex.Replace(text, @"\s+", " "); IEnumerable words = cleanedString.Split().Take(n + 1); foreach (string word in words) builder.Append(" " + word); return builder.ToString(); } /// 
 /// Returns a string of html with tags removed /// 
 ///  ///  public static string StripHtml(string html) { HtmlDocument document = new HtmlDocument(); document.LoadHtml(html); var root = document.DocumentNode; var stringBuilder = new StringBuilder(); foreach (var node in root.DescendantsAndSelf()) { if (!node.HasChildNodes) { string text = node.InnerText; if (!string.IsNullOrEmpty(text)) stringBuilder.Append(" " + text.Trim()); } } return stringBuilder.ToString(); } } } 

圣诞节快乐！