c# - 以文化中立的方式将字符串拆分为单词

Question

我想出了下面的方法，旨在将可变长度的文本拆分为一个单词数组，以进行进一步的全文索引处理(停用词删除，然后是词干分析器)。结果似乎还不错，但我想听听意见，这个实现对不同语言的文本有多可靠。您会建议为此使用正则表达式吗？请注意，我选择不使用 String.Split()，因为这需要我传递所有已知分隔符的列表，而这正是我在编写函数时试图避免的

P.S:出于多种原因(Silverlight、项目范围的 Overkill 等)，我无法使用像 Lucene.Net 这样的成熟的全文搜索引擎。

public string[] SplitWords(string Text)
{
    bool inWord = !Char.IsSeparator(Text[0]) && !Char.IsControl(Text[0]);
    var result = new List<string>();
    var sbWord = new StringBuilder();

    for (int i = 0; i < Text.Length; i++)
    {
        Char c = Text[i];

        // non separator char?
        if(!Char.IsSeparator(c) && !Char.IsControl(c))
        {
            if (!inWord)
            {
                sbWord = new StringBuilder();
                inWord = true;
            }

            if (!Char.IsPunctuation(c) && !Char.IsSymbol(c))
                sbWord.Append(c);
        }

        // it is a separator or control char
        else
        {
            if (inWord)
            {
                string word = sbWord.ToString();
                if (word.Length > 0)
                    result.Add(word);

                sbWord.Clear();
                inWord = false;
            }
        }
    }

    return result.ToArray();
}

Answer 1

既然你是以文化中立的方式说的，我真的怀疑正则表达式(单词边界:\b)是否可以。我用谷歌搜索了一下，发现 this .希望对你有用。
我很惊讶没有内置 Java BreakIterator等效...