如何将一个被标记的日本字符串分割成原子部分？

Question

假设我有一个字符串，如下所示。

string input = "合{あい}気{き}道{どう}生{う}まれる昨日{きのう}から揚{あ}げそば";

我想得到的是一个数组，如下所示。

string[] output = {"合{あい}", "気{き}", "道{どう}", 
                   "生{う}", "まれる", "昨日{きのう}", 
                   "から", "揚{あ}", "げそば"};

查找原子部件的伪规则：

• 一个或多个kanji字符，后面是{，后面是一个或多个hiragana字符，后面是}
• 一个或多个不包含在{和}之间的平假名字符。

我对regex不熟悉。我也不知道如何区分康吉和平假名。你能帮我在C#里解决这个问题吗？

Answer 1

您可以使用以下正则表达式：

[一-龯]+{\p{IsHiragana}+}|\p{IsHiragana}+(?![^{}]*})

见regex演示

它包含两个备选方案：

• [一-龯]+{\p{IsHiragana}+} -匹配1或更多的汉字([一-龯]+，从https://gist.github.com/terrancesnyder/1345094借来的)，后面跟着{...}或.
• \p{IsHiragana}+(?![^{}]*}) -1或更多的Hiragana，后面没有{或}以外的字符，然后是}。