C# 如何使用正则表达式从html文件中获取希伯来语字符串/单词？

在表格1的顶部，我做了：

private static readonly Regex AnyWordRegex = new Regex(@"((?<word>[a-zA-Z]{4,}))", RegexOptions.Singleline | RegexOptions.Compiled);

本例中的OriginalHtmlFilePath包括带有希伯来语单词的html文件

这是StripHtml：

public static string StripHtml(string htmlString)
        {
            return StripHtmlRegex.Replace(htmlString, @"|");
        }

之后，我看到HTML包含希伯来语单词。 然后我在构造函数中执行以下操作：

_words = ExtractWords(strippedHtml);

_单词列表

private static List<string> ExtractWords(string text)
        {
            MatchCollection matchCollection = AnyWordRegex.Matches(text);
            return (from Match match in matchCollection select match.Groups[1].Value).ToList();
        }

私有静态列表提取字（字符串文本）
{
MatchCollection MatchCollection=AnyWordRegex.Matches（文本）；
返回（从matchCollection中的Match选择Match.Groups[1].Value）.ToList（）；
}

完成单词提取后，我发现列表中的单词只包含英语单词。 大约608个单词只有英语。但是我在这个案例中工作的网站是www.walla.co.il或www.ynet.co.il，这是一个希伯来语网站

---

如果我在cnn.com或foxnews.com的任何英文网站上工作，一切正常。

你可以使用

\p{L}

而不是

[a-zA-Z]

来匹配所有字母表中的所有字母，或者

[\p{IsHebrew}a-zA-Z]

更具体地说。

你可以使用

\p{L}

而不是

[a-zA-Z]

匹配所有字母表中的所有字母，或者更具体地说，

[\p{IsHebrew}a-zA-Z]

。

Anirudh那么，如果没有正则表达式，如何从html文件中获取所有单词？我试过htmlagilitypack，但到目前为止还没有找到合适的方法。@HaimKashi:您使用Html Agility Pack提取文本，然后使用正则表达式从文本中提取单词。Anirudh那么，如果没有正则表达式，我如何从Html文件中获取所有单词？我试过htmlagilitypack，但到目前为止还没有找到合适的方法。@HaimKashi:您可以使用Html Agility Pack提取文本，然后使用正则表达式从文本中提取单词。

private static List<string> ExtractWords(string text)
        {
            MatchCollection matchCollection = AnyWordRegex.Matches(text);
            return (from Match match in matchCollection select match.Groups[1].Value).ToList();
        }