Question

我有一个未格式化的推文列表（只是从网站 en masse 中复制粘贴），我正在尝试将每条推文分开到各自的行，同时取出所有其他推文文本文件中的无关细节。

我目前有一个正则表达式字符串，当我在notepad ++中搜索时可以正常工作，但由于某些原因我无法通过C ++工作。

我正在搜索的文本示例如下：

Autotestdrivers.com ‏@testdrivernews Nov 6

Tesla Model S third row of seats confuses,… http://dlvr.it/CgTbsL  #children #models #police #tesla #teslamotors #Autos #Car #Trucks

1 retweet 3 likes

Gina Stark ✈ ‏@SuuperG Nov 6

Ha! Kinda. @PowayAutoRepair I have a thing for "long-nose" cars; #Porsche #Jaguar #Ferrari , and I love the lines of a #Tesla!

View conversation

0 retweets 2 likes

Tony Morice ‏@WestLoopAuto Nov 6

\#WeirdCarNews via @Therealautoblog  Tesla Model S third row of seats confuses, delights police http://www.autoblog.com/2015/11/06/tesla-model-s-third-row-seats-police/ …

View summary

0 retweets 0 likes

我正在使用的正则表达式是发布推文的日期和推文本身，看起来像这样：

[A-Z][a-z][a-z] \d+\r\n\r\n *.+\r\n

...但由于某种原因，我无法在我的代码中使用它。

#include <fstream>
#include <iostream>
#include <string>
#include <regex>

std::regex rgx("[A-Z][a-z][a-z]\\d+\\r\\n\\r\\n *.+\\r\\n");

    std::string Location_Of_Tweet = "put location here";
    std::smatch match;
    std::cout << twitterFile;

    std::ifstream twitterFiler;

    twitterFiler.open(Location_Of_Tweet,std::ifstream::in);

    const std::string tweetFile((std::istreambuf_iterator<char>(twitterFiler)), std::istreambuf_iterator<char>());
    if (std::regex_search(tweetFile.begin(), tweetFile.end(), match, rgx))
    {
        std::cout << "Match\n";

        for (auto m : match)
         std::cout << "  submatch " << m << '\n';
    }
    else
        std::cout << "No match\n";

Answer 1

这个正则表达式假设c ++ 11正则表达式理解水平空格\h 如果没有，请将所有\h替换为[^\S\r\n]。

这很容易解释为可行的方法但是，你需要一个更实质的分隔符来分隔推文。

"(?m)([A-Z][a-z][a-z]\\h+\\d+)\\h*\\r?\\n\\s*^\\h*(?=\\S)(.+)"

解释

 (?m)                               # Multi-line mode
 ( [A-Z] [a-z] [a-z] \h+ \d+ )      # (1), Date
 \h* \r? \n \s*                     # Line break, any number of whitespace
 ^ \h*                              # Beginning of line
 (?= \S )                           # Next, first non-whitespace
 ( .+ )                             # (2), Tweet

使用您的样本测试案例输出

 **  Grp 1 -  ( pos 37 , len 5 ) 
Nov 6  
 **  Grp 2 -  ( pos 46 , len 132 ) 
Tesla Model S third row of seats confuses,… http://dlvr.it/CgTbsL  #children #models #police #tesla #teslamotors #Autos #Car #Trucks  

-----------------

 **  Grp 1 -  ( pos 226 , len 5 ) 
Nov 6  
 **  Grp 2 -  ( pos 235 , len 126 ) 
Ha! Kinda. @PowayAutoRepair I have a thing for "long-nose" cars; #Porsche #Jaguar #Ferrari , and I love the lines of a #Tesla!  

-----------------

 **  Grp 1 -  ( pos 435 , len 5 ) 
Nov 6  
 **  Grp 2 -  ( pos 444 , len 170 ) 
\#WeirdCarNews via @Therealautoblog  Tesla Model S third row of seats confuses, delights police http://www.autoblog.com/2015/11/06/tesla-model-s-third-row-seats-police/ …

使用C ++中的regex搜索.txt文件

1 个答案: