C++：用简单的正则表达式解析还是我应该使用 sscanf？答案

【问题标题】：C++: parsing with simple regular expression or shoud I use sscanf?C++：用简单的正则表达式解析还是我应该使用 sscanf？
【发布时间】：2010-04-19 14:34:13
【问题描述】：

我需要解析像func1(arg1, arg2); func2(arg3, arg4); 这样的字符串。这不是一个非常复杂的解析问题，所以我宁愿避免使用 flex/bison 或类似的实用程序。

我的第一个方法是尝试使用 POSIX C regcomp/regexec 或 C++ 的 Boost 实现 std::regex。我写了以下正则表达式，但它不起作用（我将进一步解释原因）。

 "^"
 "[ ;\t\n]*"
 "(" // (1) identifier
    "[a-zA-Z_][a-zA-Z0-9_]*"
 ")"
 "[ \t\n]*"
 "(" // (2) non-marking
    "\["
    "(" // (3) non-marking
       "[ \t]*"
       "(" // (4..n-1) argument
          "[a-zA-Z0-9_]+"
       ")"
       "[ \t\n]*"
       ","
    ")*"
    "[ \t\n]*"
    "(" // (n) last argument
       "[a-zA-Z0-9_]+"
    ")"
    "]"
 ")?"
 "[ \t\n]*"
 ";"

请注意，1 组捕获标识符，4..n-1 组旨在捕获除最后一个之外的参数，后者由组 n 捕获。

当我将此正则表达式应用于func(arg1, arg2, arg3) 时，我得到的结果是一个数组{func, arg2, arg3}。这是错误的，因为arg1 不在其中！

问题在于，在标准正则表达式库中，子标记仅捕获最后一个匹配项。换句话说，如果您在"babb" 上应用了正则表达式"((a*|b*))*"，则内部匹配的结果将是bb，并且所有之前的捕获都将被遗忘。

这里让我烦恼的另一件事是，如果出现错误，则无法知道哪个字符未被识别，因为当输入被拒绝时，这些函数提供的解析器状态信息非常少。

所以我不知道我是否在这里遗漏了什么......在这种情况下我应该使用sscanf 或类似的代替吗？

请注意，我更喜欢使用 C/C++ 标准库（也许还有 boost）。

【问题讨论】：

标签： c++ c regex parsing scanf

【解决方案1】：

如果您想使用正则表达式，将其分为 2 个步骤会更简单。在第 1 步中，您会发现

func1(stuff);

并把它变成func1和stuff

在下一步中，您将解析“stuff”以找到该函数的所有单独参数。

【讨论】：

【解决方案2】：

Boost Spirit怎么样？

【讨论】：

我觉得Boost::Spirit 有点乱……还有谷歌的RE2。
好吧，我发现 RE 很乱。各有各的。 8v)

【解决方案3】：

如果这是 Ruby，我会先匹配

%r{
   ([a-zA-Z_][a-zA-Z0-9_]*)   #identifier
   \s*                        #whitespace after the identifier
   \(                         #open paren
     ([^)]*)                  #all arguments as one string
   \)                         #close paren
}x

然后我会使用$2.split(/\s*,\s*/) 将参数分开。我认为 C++ 标准库中没有与 split 等效的东西，但我认为 boost::regex_split 可以做到。

【讨论】：