La mejor manera de dividir cuerdas en líneas

¿Cómo se divide una cadena de varias líneas en líneas?

Yo se de esta manera

var result = input.Split("\n\r".ToCharArray(), StringSplitOptions.RemoveEmptyEntries);

se ve un poco feo y pierde líneas vacías. ¿Hay una mejor solución?

• Si se ve feo, simplemente elimine la ToCharArrayllamada innecesaria .

• Si desea dividir entre uno \nu otro \r, tiene dos opciones:

  • Use una matriz literal, pero esto le dará líneas vacías para las terminaciones de línea estilo Windows \r\n:

    var result = text.Split(new [] { '\r', '\n' });

  • Use una expresión regular, como lo indica Bart:

    var result = Regex.Split(text, "\r\n|\r|\n");

• Si desea conservar las líneas vacías, ¿por qué le dice explícitamente a C # que las tire? ( StringSplitOptionsparámetro): use StringSplitOptions.Noneen su lugar.

using (StringReader sr = new StringReader(text)) {
    string line;
    while ((line = sr.ReadLine()) != null) {
        // do something
    }
}

Actualización: Vea aquí para una solución alternativa / asíncrona.

Esto funciona muy bien y es más rápido que Regex:

input.Split(new[] {"\r\n", "\r", "\n"}, StringSplitOptions.None)

Es importante tener "\r\n"primero en la matriz para que se tome como un salto de línea. Lo anterior da los mismos resultados que cualquiera de estas soluciones Regex:

Regex.Split(input, "\r\n|\r|\n")

Regex.Split(input, "\r?\n|\r")

Excepto que Regex resulta ser aproximadamente 10 veces más lento. Aquí está mi prueba:

Action<Action> measure = (Action func) => {
    var start = DateTime.Now;
    for (int i = 0; i < 100000; i++) {
        func();
    }
    var duration = DateTime.Now - start;
    Console.WriteLine(duration);
};

var input = "";
for (int i = 0; i < 100; i++)
{
    input += "1 \r2\r\n3\n4\n\r5 \r\n\r\n 6\r7\r 8\r\n";
}

measure(() =>
    input.Split(new[] {"\r\n", "\r", "\n"}, StringSplitOptions.None)
);

measure(() =>
    Regex.Split(input, "\r\n|\r|\n")
);

measure(() =>
    Regex.Split(input, "\r?\n|\r")
);

Salida:

00: 00: 03.8527616

00: 00: 31.8017726

00: 00: 32.5557128

y aquí está el método de extensión:

public static class StringExtensionMethods
{
    public static IEnumerable<string> GetLines(this string str, bool removeEmptyLines = false)
    {
        return str.Split(new[] { "\r\n", "\r", "\n" },
            removeEmptyLines ? StringSplitOptions.RemoveEmptyEntries : StringSplitOptions.None);
    }
}

Uso:

input.GetLines()      // keeps empty lines

input.GetLines(true)  // removes empty lines

Puedes usar Regex.Split:

string[] tokens = Regex.Split(input, @"\r?\n|\r");

Editar: agregado |\ra la cuenta para terminadores de línea Mac (más antiguos).

Si desea mantener líneas vacías, simplemente elimine las StringSplitOptions.

var result = input.Split(System.Environment.NewLine.ToCharArray());

Tuve esta otra respuesta, pero esta, basada en la respuesta de Jack , es significativamente más rápida , ya que funciona de forma asíncrona, aunque un poco más lenta.

public static class StringExtensionMethods
{
    public static IEnumerable<string> GetLines(this string str, bool removeEmptyLines = false)
    {
        using (var sr = new StringReader(str))
        {
            string line;
            while ((line = sr.ReadLine()) != null)
            {
                if (removeEmptyLines && String.IsNullOrWhiteSpace(line))
                {
                    continue;
                }
                yield return line;
            }
        }
    }
}

Uso:

input.GetLines()      // keeps empty lines

input.GetLines(true)  // removes empty lines

Prueba:

Action<Action> measure = (Action func) =>
{
    var start = DateTime.Now;
    for (int i = 0; i < 100000; i++)
    {
        func();
    }
    var duration = DateTime.Now - start;
    Console.WriteLine(duration);
};

var input = "";
for (int i = 0; i < 100; i++)
{
    input += "1 \r2\r\n3\n4\n\r5 \r\n\r\n 6\r7\r 8\r\n";
}

measure(() =>
    input.Split(new[] { "\r\n", "\r", "\n" }, StringSplitOptions.None)
);

measure(() =>
    input.GetLines()
);

measure(() =>
    input.GetLines().ToList()
);

Salida:

00: 00: 03.9603894

00: 00: 00.0029996

00: 00: 04.8221971

string[] lines = input.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);

Ligeramente torcido, pero un bloque iterador para hacerlo:

public static IEnumerable<string> Lines(this string Text)
{
    int cIndex = 0;
    int nIndex;
    while ((nIndex = Text.IndexOf(Environment.NewLine, cIndex + 1)) != -1)
    {
        int sIndex = (cIndex == 0 ? 0 : cIndex + 1);
        yield return Text.Substring(sIndex, nIndex - sIndex);
        cIndex = nIndex;
    }
    yield return Text.Substring(cIndex + 1);
}

Entonces puede llamar:

var result = input.Lines().ToArray();

    private string[] GetLines(string text)
    {

        List<string> lines = new List<string>();
        using (MemoryStream ms = new MemoryStream())
        {
            StreamWriter sw = new StreamWriter(ms);
            sw.Write(text);
            sw.Flush();

            ms.Position = 0;

            string line;

            using (StreamReader sr = new StreamReader(ms))
            {
                while ((line = sr.ReadLine()) != null)
                {
                    lines.Add(line);
                }
            }
            sw.Close();
        }



        return lines.ToArray();
    }

Es complicado manejar correctamente las terminaciones de línea mixtas . Como sabemos, los caracteres de fin de línea pueden ser "salto de línea" (ASCII 10, \n, \x0A, \u000A), "retorno de carro" (ASCII 13, \r, \x0D, \u000D), o alguna combinación de ellos. Volviendo a DOS, Windows usa la secuencia de dos caracteres CR-LF \u000D\u000A, por lo que esta combinación solo debería emitir una sola línea. Unix usa un solo \u000A, y Macs muy antiguos usaban un solo \u000Dcarácter. La forma estándar de tratar mezclas arbitrarias de estos caracteres dentro de un solo archivo de texto es la siguiente:

• todos y cada uno de los caracteres CR o LF deben pasar a la siguiente línea EXCEPTO ...
• ... si un CR es seguido inmediatamente por LF ( \u000D\u000A) entonces estos dos juntos saltan solo una línea.
• String.Empty es la única entrada que no devuelve líneas (cualquier carácter implica al menos una línea)
• La última línea debe devolverse incluso si no tiene CR ni LF.

La regla anterior describe el comportamiento de StringReader.ReadLine y funciones relacionadas, y la función que se muestra a continuación produce resultados idénticos. Es una función eficiente de salto de línea C # que implementa debidamente estas pautas para manejar correctamente cualquier secuencia arbitraria o combinación de CR / LF. Las líneas enumeradas no contienen ningún carácter CR / LF. Las líneas vacías se conservan y devuelven como String.Empty.

/// <summary>
/// Enumerates the text lines from the string.
///   ⁃ Mixed CR-LF scenarios are handled correctly
///   ⁃ String.Empty is returned for each empty line
///   ⁃ No returned string ever contains CR or LF
/// </summary>
public static IEnumerable<String> Lines(this String s)
{
    int j = 0, c, i;
    char ch;
    if ((c = s.Length) > 0)
        do
        {
            for (i = j; (ch = s[j]) != '\r' && ch != '\n' && ++j < c;)
                ;

            yield return s.Substring(i, j - i);
        }
        while (++j < c && (ch != '\r' || s[j] != '\n' || ++j < c));
}

Nota: Si no le importa la sobrecarga de crear una StringReaderinstancia en cada llamada, puede usar el siguiente código C # 7 en su lugar. Como se señaló, aunque el ejemplo anterior puede ser un poco más eficiente, ambas funciones producen exactamente los mismos resultados.

public static IEnumerable<String> Lines(this String s)
{
    using (var tr = new StringReader(s))
        while (tr.ReadLine() is String L)
            yield return L;
}