de Split un html en mots

Question

Supposons que je la chaîne suivante:

Hellotoevryone<img height="115" width="150" alt="" src="/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg" />Iamsogladtoseeall. 

Cette chaîne représente une séquence de caractères qui ne sont pas séparés par un espace, dans cette chaîne il y a également une image de HTML inséré. Maintenant, je veux séparer la chaîne en mots, chacun ayant la longueur de 10 caractères, de sorte que le aoutput doit être:

1)Hellotoevr 
2)yone<img height="115" width="150" alt="" src="/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg" />Iamsog 
3)ladtoseeal 
4)l. 

L'idée est de garder tout contenu de la balise HTML 0 longueur car.

j'avais écrit une telle méthode, mais il ne prend pas en considération les balises html:

public static string EnsureWordLength(this string target, int length) 
{ 
    string[] words = target.Split(' '); 
    for (int i = 0; i < words.Length; i++) 
     if (words[i].Length > length) 
     { 
      var possible = true; 
      var ord = 1; 
      do 
      { 
       var lengthTmp = length*ord+ord-1; 
       if (lengthTmp < words[i].Length) words[i] = words[i].Insert(lengthTmp, " "); 
       else possible = false; 
       ord++; 
      } while (possible); 

     } 

    return string.Join(" ", words); 
} 

Je voudrais voir un code qui effectue la division I comme described.Thanks.

Answer 1

Voici une solution d'expressions régulières correspondant à vos besoins. Gardez à l'esprit que cela ne fonctionnera probablement pas si vous décidez de modifier vos exigences dans le moindre bit, ce qui est fidèle à la well known quote here.

using System.Text.RegularExpressions; 

string[] samples = { 
    @"Hellotoevryone<img height=""115"" width=""150"" alt="""" src=""/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg"" />Iamsogladtoseeall.", 
    "Testing123Hello.World", 
    @"Test<a href=""http://stackoverflow.com"">StackOverflow</a>", 
    @"Blah<a href=""http://stackoverflow.com"">StackOverflow</a>Blah<a href=""http://serverfault.com"">ServerFault</a>", 
    @"Test<a href=""http://serverfault.com"">Server Fault</a>", // has a space, not matched 
    "Stack Overflow" // has a space, not matched 
}; 

// use these 2 lines if you don't want to use regex comments 
//string pattern = @"^((?:\S(?:\<[^>]+\>)?){1,10})+$"; 
//Regex rx = new Regex(pattern); 

// regex comments spanning multiple lines requires use of RegexOptions.IgnorePatternWhitespace 
string pattern = @"^(    # match line/string start, begin group 
        (?:\S   # match (but don't capture) non-whitespace chars 
        (?:\<[^>]+\>)? # optionally match (doesn't capture) an html <...> tag 
            # to match img tags only change to (?:\<img[^>]+\>)? 
        ){1,10}   # match upto 10 chars (tags don't count per your example) 
        )+$    # match at least once, and match end of line/string 
        "; 
Regex rx = new Regex(pattern, RegexOptions.IgnorePatternWhitespace); 

foreach (string sample in samples) 
{ 
    if (rx.IsMatch(sample)) 
    { 
     foreach (Match m in rx.Matches(sample)) 
     { 
      // using group index 1, group 0 is the entire match which I'm not interested in 
      foreach (Capture c in m.Groups[1].Captures) 
      { 
       Console.WriteLine("Capture: {0} -- ({1})", c.Value, c.Value.Length); 
      } 
     } 
    } 
    else 
    { 
     Console.WriteLine("Not a match: {0}", sample); 
    } 

    Console.WriteLine(); 
} 

En utilisant les échantillons ci-dessus, voici la sortie (chiffres entre parenthèses = longueur de chaîne):

Capture: Hellotoevr -- (10) 
Capture: yone<img height="115" width="150" alt="" src="/Content/Edt/image/b49768 
75-8dfb-444c-8b32-cc b47b2d81e0.jpg" />Iamsog -- (116) 
Capture: ladtoseeal -- (10) 
Capture: l. -- (2) 

Capture: Testing123 -- (10) 
Capture: Hello.Worl -- (10) 
Capture: d -- (1) 

Capture: Test<a href="http://stackoverflow.com">StackO -- (45) 
Capture: verflow</a> -- (11) 

Capture: Blah<a href="http://stackoverflow.com">StackO -- (45) 
Capture: verflow</a>Bla -- (14) 
Capture: h<a href="http://serverfault.com">ServerFau -- (43) 
Capture: lt</a> -- (6) 

Not a match: Test<a href="http://serverfault.com">Server Fault</a> 

Not a match: Stack Overflow 

Answer 2

Ce code suivant traitera le cas que vous avez fourni, mais se cassera pour quelque chose de plus complexe. De plus, comme vous n'avez pas spécifié comment gérer les balises longues avec du texte interne ou HTML, toutes les balises sont traitées comme des balises courtes (Exécutez le code pour voir ce que je veux dire).

Fonctionne avec cette entrée:

 
Hellotoevryone<img height="115" width="150" alt="" src="/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg" />Iamsogladtoseeall. 
Hellotoevryone<img src="/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg" />Iamsoglad<img src="baz.jpeg" />toseeall. 
Hello<span class="foo">toevryone</span>Iamso<em>glad</em>toseeallTheQuickBrown<img src="bar.jpeg" />FoxJumpsOverTheLazyDog. 
Hello<span class="foo">toevryone</span>Iamso<em>glad</em>toseeall. 
Loremipsumdolorsitamet,consecteturadipiscingelit.Nullamacnibhelit,quisvolutpatnunc.Donecultrices,ipsumquisaccumsanconvallis,tortortortorgravidaante,etsollicitudinipsumnequeeulorem. 

rompt avec cette entrée (notez l'étiquette incomplète):

 
Hellotoevryone<img height="115" width="150" alt="" src="/Content/Edt/image/b4976875-8dfb-444c-8b32-cc b47b2d81e0.jpg" /Iamsogladtoseeall. 

using System; 
using System.Text.RegularExpressions; 
using System.IO; 
using System.Collections.Generic; 

public static class CustomSplit { 
    public static void Main(String[] args) { 
    if (args.Length > 0 && File.Exists(args[0])) { 
     StreamReader sr = new StreamReader(args[0]); 
     String[] lines = sr.ReadToEnd().Split(new String[]{Environment.NewLine}, StringSplitOptions.None); 

     int counter = 0; 
     foreach (String line in lines) { 
     Console.WriteLine("########### Line {0} ###########", ++counter); 
     Console.WriteLine(line); 
     Console.WriteLine(line.EnsureWordLength(10)); 
     } 
    } 
    } 

} 

public static class EnsureWordLengthExtension { 
    public static String EnsureWordLength(this String target, int length) { 
    List<List<Char>> words = new List<List<Char>>(); 

    words.Add(new List<Char>()); 

    for (int i = 0; i < target.Length; i++) { 
     words[words.Count - 1].Add(target[i]); 

     if (target[i] == '<') { 
     do { 
      i++; 
      words[words.Count - 1].Add(target[i]); 
     } while(target[i] != '>'); 
     } 

     if ((new String(words[words.Count - 1].ToArray())).CountCharsWithoutTags() == length) { 
     words.Add(new List<Char>()); 
     } 
    } 

    String[] result = new String[words.Count]; 
    for (int j = 0; j < words.Count; j++) { 
     result[j] = new String(words[j].ToArray()); 
    } 

    return String.Join(" ", result); 
    } 

    private static int CountCharsWithoutTags(this String target) { 
    return Regex.Replace(target, "<.*?>", "").Length; 
    } 
}