解析 C++ 字符串

Question

这里有很多关于发布字符串的帖子，但实际上似乎不符合我的目的。

我正在使用std::string 和所有 C++ 标准库，并且我有一个使用以下协议的文本文件：

TEXT1:TEXT2-TAB-TEXT3:TEXT4 TEXT5

当-TAB- 是\t。

我想把所有的文本变成字符串（也可以是一个数组）。文件中的所有行都是这样写的，我尝试使用istringstream，但它没有任何功能，例如：iss >> text1 >> ":" >> text2 >> "\t" >> text3 >> ":" >> text4 >> " " >> text5。

我真的需要使用find等的基本功能进行解析吗？那只是大量的工作（因为我有几个以不同格式编写的文件，我需要为所有这些文件创建一个通用函数），但如果我别无选择，我会这样做。

那么...有没有办法通过以下方式解析字符串，使用字符串之间的已知字符？它不是一个特定的分隔符，因为每一行都包含几个分隔符（一次是空格，然后是冒号等等）。我想使用 C++ 标准库，而不是 Boost 等任何外部库。

编辑： C++11。

Answer 1

由于您使用的是 C++11 并且您的文本行遵守协议，因此用于模式匹配和信息提取的工具是正则表达式库中的功能。

与您的协议匹配的模式可能看起来像这样......

\w+:\w+-\t-\w+:\w+\s\w+

... 使用默认的 ECMAScript 语法。还有一些其他的。

接下来，使用原始字符串文字来初始化正则表达式对象...

正则表达式 pat{R("\w+:\w+-\t-\w+:\w+\s\w+")};

所以现在你的代码可以看起来像这样......

#include<regex>
...

regex pat{R("\w+:\w+-\t-\w+:\w+\s\w+")};
smatch m;

while (cin >> str) {  // where str is your line of formatted text
    bool match = regex_search(str, m, pat);
    for (int i = 0; i < m.size(); i++) {
        cout << m[i].str() << " "; // to make sure each component was matched
    }   
}

顺便说一下，smatch就像一个容器，可以迭代，非常方便。

注意：以上代码不保证有效，仅供参考。

Answer 2

因为你有一个单一的、固定的字符来标记每个字段的结尾，任何像正则表达式这样的东西都过分了。我只是使用std::getline 来读取每个字段。

我首先为一行中的字段定义一个结构，然后重载 operator>> 以读取其中一个结构：

struct line { 
    std::string text1, text2, text3, text4, text5;

    friend std::istream &operator>>(std::istream &is, line &l) {
        std::getline(is, l.text1, ':');
        std::getline(is, l.text2, '\t');
        std::getline(is, l.text3, ':');
        std::getline(is, l.text4, ' ');
        std::getline(is, l.text5);
        return is;
    }
};

这样，你可以读到这样一行：

line x;

std::cin >> x;

...或者，如果您有一个充满这样行的整个文件，您可以将它们全部读入向量中，例如：

std::ifstream infile("whatever.dat");

std::vector<line> lines {
    std::istream_iterator<line>(lines),
    std::istream_iterator<line>()
};

Answer 3

您可能应该使用std::getline 读取整行，然后解析该行，例如使用find 或find_first_of 的std::string 方法查找'\t' 字符。

如果可能，至少切换到C++11，因为 C++11 的许多特性可以让您编写更少的代码。特别是来自<algorithm> 的std::find 在与匿名lambda 一起使用时很有帮助。

当然，您应该更正式地定义可接受的输入（可能使用一些EBNF 符号，至少在 cmets 中）。特别是，您的 TEXT1 和 TEXT2 和 TEXT3 和TEXT4 和 TEXT5。用什么编码？ （UTF-8 有多字节字符！）。

如果输入规范比较复杂，可以考虑使用一些parser generator，比如ANTLR等。