.net 按字母而不是字符枚举字符串

字符串通常按字符枚举。但是，特别是在使用Unicode和非英语语言时，有时我需要按grapheme枚举字符串。也就是说，组合标记和变音符号应与它们修改的基本字符保持一致。在.Net中执行此操作的最佳方法是什么

用例：计算一系列单词中不同的语音

简化定义：图形和声音之间存在一对一的关系

现实定义：基础字符（例如pʰ）中还应包含特殊的“字母式”字符，有些声音可能由两个由系杆（k͡p）连接的符号表示

简化情景 这是非常有用和有效的：

private static List<SoundCount> CountSounds(IEnumerable<string> words)
{
    Dictionary<string, SoundCount> soundCounts = new Dictionary<string, SoundCount>();

    foreach (var word in words)
    {
        TextElementEnumerator graphemeEnumerator = StringInfo.GetTextElementEnumerator(word);
        while (graphemeEnumerator.MoveNext())
        {
            string grapheme = graphemeEnumerator.GetTextElement();

            SoundCount count;
            if (!soundCounts.TryGetValue(grapheme, out count))
            {
                count = new SoundCount() { Sound = grapheme };
                soundCounts.Add(grapheme, count);
            }
            count.Count++;
        }
    }

    return new List<SoundCount>(soundCounts.Values);
}

---

我们可能还可以使用CharUnicodeInfo.getUnicodeCegory创建自己的IEnumerator来恢复性能，但这对我来说似乎太多的工作和额外的代码需要维护。（还有人想试试吗？）正则表达式就是为此而设计的。

我不确定这正是您想要的，但您的问题是否与Unicode规范化有关

当字符串规范化为Unicode格式C（这是默认格式）时，变音符号和它们修改的字符将组合在一起，因此，如果枚举字符，则将同时获得基本字符和修改字符

将其规范化为表单D时，基字符和修饰符分开，并在枚举中分别返回

---

请参阅方法了解详细信息。

注意：我特意回答了我自己的问题以添加到Stackoverflow knowledgebase（），因为我认为这可能有助于其他人解释我发现的一个晦涩难懂（至少对我来说是晦涩难懂）的类，即

TextElementEnumerator

，以及我偶然发现的一些限制。如果您有其他想法要补充，请这样做@托马斯：对讨论的补充很好。在我的情况下，规范化失败了，因为只有当组合实际上能够解析为单个已知的unicode字符时，规范化才起作用。我们使用的许多字形（特别是用于语音的字形）都不能：即使它们显示为一个字符，但该字符在unicode中并不存在。但在许多情况下，标准化将完美地处理它。谢谢这应该对其他人有帮助！

private static List<SoundCount> CountSoundsRegex(IEnumerable<string> words)
{
    var soundCounts = new Dictionary<string, SoundCount>();
    var graphemeExpression = new Regex(@"\P{M}\p{M}*");

    foreach (var word in words)
    {
        Match graphemeMatch = graphemeExpression.Match(word);
        while (graphemeMatch.Success)
        {
            string grapheme = graphemeMatch.Value;

            SoundCount count;
            if (!soundCounts.TryGetValue(grapheme, out count))
            {
                count = new SoundCount() { Sound = grapheme };
                soundCounts.Add(grapheme, count);
            }
            count.Count++;

            graphemeMatch = graphemeMatch.NextMatch();
        }
    }

    return new List<SoundCount>(soundCounts.Values);
}

[\P{M}\P{Lm}]      # Match a character that is NOT a character intended to be combined with another character or a special character that is used like a letter
(?:                # Start a group for the combining characters:
  (?:                # Start a group for tied characters:
    [\u035C\u0361]      # Match an under- or over- tie bar...
    \P{M}\p{M}*         # ...followed by another grapheme (in the simplified sense)
  )                  # (End the tied characters group)
  |\p{M}             # OR a character intended to be combined with another character
  |\p{Lm}            # OR a special character that is used like a letter
)*                 # Match the combining characters group zero or more times.