Visual Studio 2022提取项目新词存SQL Server字典表及Regex适配咨询

完全可以用Regex类实现你的需求，你贴的微软示例也能适配，只是需要把原有的“匹配重复单词”逻辑改成“提取目标新词”的逻辑。下面是具体的实现建议和适配方案：

• 遍历Visual Studio项目目录下的目标文件（.cs、.js、.html）
• 读取每个文件的文本内容
• 用Regex提取符合你定义的“新词”规则的词汇
• 对比SQL Server字典表，过滤已存在的词汇
• 将新词批量插入字典表

你提供的示例是用来匹配重复单词的，要改成提取目标词汇，核心是替换正则表达式，同时复用原示例的Regex.Matches和遍历匹配结果的逻辑：

1. 不同文件类型的词汇提取正则 #

首先得明确你的“新词”定义（比如业务术语、自定义标识符、非标准HTML标签等），以下是针对不同文件类型的通用正则参考：

• C#文件：提取类名、方法名等自定义标识符（过滤系统关键字）

  // 匹配PascalCase、camelCase格式的标识符
  Regex rxCSharp = new Regex(@"([A-Z][a-z0-9]+)+|([a-z][a-z0-9]*[A-Z][a-z0-9]+)*", RegexOptions.Compiled);
  

• JavaScript文件：提取变量名、函数名（支持下划线命名）

  Regex rxJs = new Regex(@"([A-Z][a-z0-9]+)+|([a-z][a-z0-9_]*[A-Z][a-z0-9_]+)*|[_a-z][a-z0-9_]*", RegexOptions.Compiled);
  

• HTML文件：提取自定义标签、属性名和文本中的业务词汇

  Regex rxHtml = new Regex(@"<([a-z0-9-]+)|([a-z0-9-]+)=|\b([A-Za-z][A-Za-z0-9-]+)\b", RegexOptions.Compiled | RegexOptions.IgnoreCase);
  

2. 适配原示例的完整代码 #

把原示例的重复词匹配逻辑替换成新词提取+入库的逻辑，示例代码如下：

using System;
using System.Collections.Generic;
using System.IO;
using System.Text.RegularExpressions;
using System.Data.SqlClient;
using System.Linq;

public class DictionaryUpdater
{
    public static void Run(string projectRootPath)
    {
        // 定义要处理的文件扩展名
        string[] targetExtensions = { ".cs", ".js", ".html" };
        // 遍历项目下所有目标文件
        var targetFiles = Directory.EnumerateFiles(projectRootPath, "*.*", SearchOption.AllDirectories)
                                   .Where(file => targetExtensions.Contains(Path.GetExtension(file).ToLower()));

        // 按文件类型映射对应的正则
        var regexMap = new Dictionary<string, Regex>
        {
            { ".cs", new Regex(@"([A-Z][a-z0-9]+)+|([a-z][a-z0-9]*[A-Z][a-z0-9]+)*", RegexOptions.Compiled) },
            { ".js", new Regex(@"([A-Z][a-z0-9]+)+|([a-z][a-z0-9_]*[A-Z][a-z0-9_]+)*|[_a-z][a-z0-9_]*", RegexOptions.Compiled) },
            { ".html", new Regex(@"<([a-z0-9-]+)|([a-z0-9-]+)=|\b([A-Za-z][A-Za-z0-9-]+)\b", RegexOptions.Compiled | RegexOptions.IgnoreCase) }
        };

        // 从数据库读取已存在的词汇，避免重复插入
        var existingWords = GetExistingWordsFromDb();
        var newWords = new HashSet<string>(StringComparer.OrdinalIgnoreCase);

        foreach (var file in targetFiles)
        {
            string fileContent = File.ReadAllText(file, System.Text.Encoding.UTF8);
            string ext = Path.GetExtension(file).ToLower();
            
            if (regexMap.TryGetValue(ext, out Regex rx))
            {
                MatchCollection matches = rx.Matches(fileContent);
                foreach (Match match in matches)
                {
                    string word = match.Value.Trim();
                    // 过滤空字符串、短词和已存在的词
                    if (!string.IsNullOrEmpty(word) && word.Length > 1 && !existingWords.Contains(word))
                    {
                        newWords.Add(word);
                    }
                }
            }
        }

        // 批量插入新词到数据库
        InsertNewWordsToDb(newWords);
        Console.WriteLine($"共新增 {newWords.Count} 个词汇到字典表");
    }

    // 从SQL Server字典表读取已存在的词汇
    private static HashSet<string> GetExistingWordsFromDb()
    {
        var words = new HashSet<string>(StringComparer.OrdinalIgnoreCase);
        // 替换成你的数据库连接字符串
        string connString = "Server=你的服务器名;Database=你的数据库名;User Id=账号;Password=密码;";
        
        using (SqlConnection conn = new SqlConnection(connString))
        {
            conn.Open();
            string query = "SELECT Word FROM 你的字典表名";
            using (SqlCommand cmd = new SqlCommand(query, conn))
            {
                using (SqlDataReader reader = cmd.ExecuteReader())
                {
                    while (reader.Read())
                    {
                        words.Add(reader.GetString(0));
                    }
                }
            }
        }
        return words;
    }

    // 批量插入新词到字典表
    private static void InsertNewWordsToDb(HashSet<string> newWords)
    {
        if (newWords.Count == 0) return;
        
        string connString = "Server=你的服务器名;Database=你的数据库名;User Id=账号;Password=密码;";
        using (SqlConnection conn = new SqlConnection(connString))
        {
            conn.Open();
            string insertSql = "INSERT INTO 你的字典表名 (Word) VALUES (@Word)";
            using (SqlCommand cmd = new SqlCommand(insertSql, conn))
            {
                cmd.Parameters.Add("@Word", System.Data.SqlDbType.NVarChar);
                foreach (string word in newWords)
                {
                    cmd.Parameters["@Word"].Value = word;
                    cmd.ExecuteNonQuery();
                }
            }
        }
    }
}

• 过滤系统关键字：可以维护一个排除词列表（比如C#的class、void，HTML的div、span），在添加新词时过滤这些内容。
• 性能优化：用HashSet存储词汇避免重复，RegexOptions.Compiled编译正则提升匹配速度，大量文件时可以考虑异步读取。
• 编码问题：读取文件时指定正确的编码（比如UTF-8），避免乱码导致匹配失败。
• 数据库安全：必须使用参数化查询防止SQL注入，大量新词时用SqlBulkCopy批量插入效率更高。
• VS集成：可以把这段代码做成控制台项目，直接在VS里运行；如果需要更便捷的触发方式，还可以借助VS SDK做一个自定义工具菜单。

你贴的微软示例核心逻辑是用Regex.Matches提取匹配内容，然后遍历处理结果，这个逻辑完全可以复用。只需要把原示例中“匹配重复词”的正则替换成你需要的“提取新词”的正则，再把输出逻辑改成“收集新词+入库”即可，原示例的RegexOptions.Compiled和遍历MatchCollection的写法都可以直接沿用。

内容的提问来源于stack exchange，提问作者Djydan