重新包裝硬包裝文本的算法？

Question

比方說，我已經爲我工作的公司編寫了自定義電子郵件管理應用程序。它從該公司的支持賬戶讀取電子郵件，並將清理後的純文本版本存儲在數據庫中，執行其他整潔的事情，例如將其與客戶賬戶和訂單進行關聯。當員工回覆郵件時，我的程序將生成一封電子郵件，該郵件以討論話題的格式化版本發送給客戶。如果客戶作出響應，應用程序會在主題行中查找唯一編號以讀取傳入消息，刪除先前的討論，並將其作爲線程中的新項目添加。例如：

 
This is a message from Contoso customer service. 

Recently, you requested customer support. Below is a summary of your 
request and our reply. 

-------------------------------------------------------------------- 
Contoso (Fred) on Tuesday, December 30, 2008 at 9:04 a.m. 
-------------------------------------------------------------------- 
John: 

I've modified your address. You can confirm my work by logging into 
"Your Account" on our Web site. Your order should ship out today. 

Thanks for shopping at Contoso. 

-------------------------------------------------------------------- 
You on Tuesday, December 30, 2008 at 8:03 a.m. 
-------------------------------------------------------------------- 
Oops, I entered my address incorrectly. Can you change it to 

Fred Smith 
123 Main St 
Anytown, VA 12345 

Thanks! 

-- 
Fred Smith 
Contoso Product Lover 

一般情況下，這一切的偉大工程，但有一個領域，我已經種推遲，現在清理了一段時間，並與文字環繞交易。爲了生成如上所述的漂亮的電子郵件格式，我需要重新包裝客戶最初發送的文本。

我已經寫了一個算法來做到這一點（雖然看代碼，我不完全確定它是如何工作的 - 它可以使用一些重構）。 但它無法區分硬覆蓋換行符，「換行符」換行符和「語義」換行符。例如，硬覆蓋換行符是電子郵件客戶端插入段落中以包裝長行文本（例如79列）的換行符。段落換行符的結尾是用戶在段落中的最後一句之後添加的結尾。而語義換行符就像br標籤，比如Fred上面輸入的地址。

我的算法，而不是隻看到兩個新行連續爲表明一個新的段落，所以它將使客戶的電子郵件進行格式化類似如下：

 
Oops, I entered my address incorrectly. Can you change it to 

Fred Smith 123 Main St Anytown, VA 12345 

Thanks! 

-- Fred Smith Contoso Product Lover 

每當我試着寫一個版本這將重新包裝這個文本的意圖，我基本上打了一個牆，因爲我需要知道文本的語義，「硬包裝」換行符和「我真的這意味着它像一個br」類型之間的區別換行符，例如在客戶的地址中。 （我連續使用兩條換行符來確定何時開始一個新段落，這與大多數人似乎實際鍵入電子郵件的方式一致。）

任何人都有一種算法，可以將文本重新包裝爲意？或者當衡量任何給定解決方案的複雜性時，這個實現是否「足夠好」？

謝謝。

Answer 1

您可以嘗試檢查是否插入了換行符以將行長度保持在最大值以下（又名硬包裝）：只需檢查文本中最長的行。然後，對於任何給定的行，您將以下行的第一個單詞追加到它。如果結果行超過最大長度，換行符可能是硬包裝。

更簡單的你可能會認爲(maxlength - 15) <= length <= maxlength的所有休息都是硬包（15只是一個受過教育的猜測）。這肯定會過濾掉地址和內容中的故意中斷，而且在此範圍內的任何錯過的中斷都不會對結果造成太大影響。

Answer 2

我有兩個建議，如下所示。

• 注重標點符號：這將幫助你以一個「硬包裝」換行和換行符（「段落的結束」之間的區別，因爲，如果該行以句號結束，那麼它更可能用戶希望它成爲段落的尾部。

• 請注意線條是否比最大線條長度短得多：在上例中，您可能有79個字符的「硬包裝」文本，並且地址線只有30個字符長;由於30遠小於79，因此您知道地址線被用戶打破，而不是用戶的文本包裝算法。

此外，要注意縮進：這是從左邊縮進空白線可以被認爲是新的段落，從以前的線路壞了，因爲他們在這個論壇。

Answer 3

按照上面的Ole的建議，我重新執行了我的實現來查看一個閾值。它似乎處理大多數情況下，我扔在它沒有我不得不瘋狂和編寫實際上理解英語的代碼。

基本上，我首先掃描輸入字符串，並在變量inputMaxLineLength中記錄最長的行長度。然後，當我重新包裝時，如果我遇到一個索引號在inputMaxLineLength和inputMaxLineLength的85％之間的換行符，那麼我用空格替換該換行符，因爲我認爲這是一個硬換行換行符 - 除非緊接着是另一個換行符，因爲那時我認爲這只是一個恰好在該範圍內的單行段落。例如，如果某人輸入了一個簡短的項目符號列表，就會發生這種情況。

當然，這並不完美，但對於我的場景來說，「足夠好」，考慮到文本通常會被以前的電子郵件客戶端所損壞。下面是一些代碼，我的一個幾個小時的實現可能仍然在少數邊緣案例中使用C＃）。這比我以前的解決方案複雜得多，這很好。

Source Code

而且這裏的一些單元測試，行使代碼（使用MSTest的）：

Test Code

如果任何人有一個更好的實現（和無疑是一個更好的實現存在），我我會很高興看到你的想法！謝謝。