textrank 在 c# 无成熟官方库，需自主实现文本清洗、句子切分、相似度建图与迭代打分，核心难点在于准确识别句子边界。
TextRank 在 C# 里没现成库，别直接搜 TextRank NuGet 包
官方生态里没有被广泛维护、支持中文分词和句子图构建的成熟 TextRank 实现。你搜到的几个小众包要么只处理英文单词级，要么依赖过时的 Microsoft.ML 预处理流水线，对 PDF/Word 文件里的真实文本结构（段落断裂、换行符污染、标题混入）完全无感。
- 真正能用的路径是：自己控制文本清洗 → 句子切分 → 相似度建图 → 迭代打分
- 核心难点不在算法公式，而在“什么算一句”——比如
"答：\n1. 是。\n2. 否。"这种，正则Split(@"[。！？；]+")会把“答：”单独劈成一句，带权重拉低整段得分 - 建议先用
Regex.Split(text, @"(? 做初步句切，再人工过滤掉长度
LexRank 更适合文件摘要，但必须替换默认相似度计算
LexRank 理论上比 TextRank 少一个参数（不用调 damping），但它默认用 TF-IDF + 余弦相似度，对技术文档这种术语密集、句式重复率高的内容效果差——两段都含“ArgumentNullException”和“throw new”，相似度虚高，关键操作步骤反而被压下去。
- 换成 Jaccard 相似度更稳：
Jaccard(A, B) = |A ∩ B| / |A ∪ B|，对词干重合敏感，对停用词不敏感 - 句子向量化前务必做：小写化 + 去停用词（用
System.Collections.Generic.HashSet<string></string>存中文停用词表）+ 保留动词/名词（可用Stanford.NLP.CoreNLP的ChineseSegmenter，但注意它不支持 .NET 6+ 直接引用，得走 Java interop 或换LacSharp） - 矩阵稀疏性很重要：句子数 > 200 时，别用
double[,]存全连接矩阵，改用SparseMatrix（来自MathNet.Numerics）
从文件读取到关键句输出，三步不能跳
很多人卡在第一步：以为 File.ReadAllText(path) 能直接喂给算法。实际 PDF/DOCX 里藏了大量干扰字符（零宽空格、软回车、OLE 对象残留），不清理就跑 LexRank，等于拿噪声训练模型。
- PDF：用
QuestPDF或IronPdf（后者免费版有水印但 API 干净），别用iTextSharp—— 它的PdfTextExtractor对中文字体嵌入处理极差，常抽成乱码 - DOCX：用
DocumentFormat.OpenXml，重点处理Paragraph和Run的Text属性，跳过Footnote和Comment节点 - 统一后处理：用
Regex.Replace(text, @"[\u200B-\u200D\uFEFF]", "")清零宽字符，再用Regex.Replace(text, @"\s+", " ")合并空白，最后.Trim()
关键句排序后，别直接返回 raw 文本
原始句子可能包含不完整主语（如“见上文配置”）、指代不明（“该方法”“此参数”），或者带冗余格式（“注意：请勿……”）。直接返回会降低可读性。
- 提取后做一次上下文补全：查该句在原文中的位置，往前取最多 1 个完整句（用同样句切逻辑），拼成“上下文 + 关键句”二元组
- 过滤掉含“详见”“如下所示”“参见附录”的句子——它们本身不承载信息，只是导航
- 输出时保留原始段落编号（如有）：
"第3.2节：初始化时需校验 <code>connectionString是否为空"，比纯文本更有定位价值
实际最难的不是打分，是让算法理解“这句话为什么重要”。比如一段日志配置说明里，“LogLevel.Debug 会输出所有 SQL 参数”这句权重一定高于“日志级别有五种”，因为前者解决具体问题。这种语义优先级，目前还得靠规则兜底，不是纯图算法能自动学出来的。
