Question

我正在尝试阅读一篇长篇文章，并将此文本分成它包含的每个单词。我做的第一次尝试是使用std::ifstream和operator>>从文件中读取它以读取字符串。问题是，因为它只剪切空白字符上的文本，我仍然会在短语的最后一个单词（如problem.）和一些特殊字符串中得到句点（有时我没有-> }或**）。

我想通过char读取char，或者也可以通过char拆分字符串read char，并找到不正确范围内的字符（az，AZ和0-9之间的字符），但这个解决方案似乎非常混乱。此外，我无法使用正则表达式，因为我使用GCC 4.8.3并且无法使用Boost。

有没有比第二个更好的解决方案，还是这是好方法？好的，我的意思是相对容易实现并产生预期的结果（只有字母数字字符）。

Answer 1

您可以在流区域设置中安装自定义ctype：

#include <iostream>
#include <locale>
#include <sstream>

class WordCharacterClassification : public std::ctype<char>
{
    private:
    typedef std::ctype<char> Base;
    const mask* initialize_table(const Base&);

    public:
    typedef Base::mask mask;
    typedef Base::char_type char_type;

    public:
    WordCharacterClassification(const Base& source, std::size_t refs = 0)
    :   Base(initialize_table(source), false, refs)
    {}


    private:
    mask m_table[Base::table_size];
};

inline const typename WordCharacterClassification::mask*
WordCharacterClassification::initialize_table(const Base& source) {
    const mask* src = source.table();
    const mask* src_end = src + Base::table_size;
    const mask space
        = std::ctype_base::space
        | std::ctype_base::cntrl
        | std::ctype_base::digit
        | std::ctype_base::punct;

    mask* dst = m_table;
    for( ; src < src_end; ++dst, ++src) {
        *dst = *src;
        if(*src & space)
            *dst |= std::ctype_base::space;
    }
    return m_table;
}


int main() {
    std::istringstream in("This->is a delimiter-test4words");
    std::locale locale = in.getloc();

    WordCharacterClassification classification(
        std::use_facet<std::ctype<char>>(locale),
        // We hold a reference and do not transfer ownership:
        true);

    in.imbue(std::locale(locale, &classification));

    std::string word;
    std::cout << "Words:\n";
    while(in >> word) {
        std::cout << word << '\n';
    }
}

注意：静态表（不复制原件）会简化它。

Answer 2

您的第二个解决方案将是一个实现，可能会帮助您学习如何处理输入。您可以根据isalpha（http://www.cplusplus.com/reference/cctype/isalpha/）处理每个字符。任何返回false的内容都会立即结束“当前单词”并从下一个单词开始。

逐字阅读长文本没有垃圾

2 个答案: