Question

我有一个约1000000字的文本（只是一个例子），我想在一次迭代中解析它。而我想要做的是每次表达式匹配时，将其更改为其他内容。例如：

表达式：

| Expression     | New text |
|----------------|----------|
| ab             | A        |
| #{1,3}cb       | B        |
| [1234567890]db | C        |

文字：

Lorem ipsum dolor sit amet， ## cb consectetur adipiscing elit。结肠前膜韧带结构 #cb ，原始的laoreet ligula ultrices。在quis aliquam urna中，在 ab suscipit purus中。 Nunc posuere efficitur 9db nibh，tempor convallis mauris porta lobortis。

将输出文字：

Lorem ipsum dolor坐下来， B consectetur adipiscing elit。结肠前膜韧带 B ，原始的laoreet ligula ultrices。在quis aliquam urna中，在 A suscipit purus中。 Nunc posuere efficitur C nibh，tempor convallis mauris porta lobortis。

假设这些“常规”表达式不会相互重叠，有没有办法在c ++中使用std::regex实现这个？

我试过这样做，但有两个主要问题：

它只匹配第一个和最后一个表达式。
每个表达式只会迭代一次文本。

有没有办法解决这个问题，或者最好的解决方案是为这个特定目的编写解析器

Answer 1

正如EJP所说，即使你对解析器生成器一无所知，使用（f）lex也是微不足道的。（你应该稍微看一下flex idiosyncratic regular expression syntax。就像每个面向正则表达式的工具一样，它有自己的怪癖。）

这是一个适合您任务的完整弹性计划：

file replacer.l

%option noinput nounput noyywrap
%%
ab         { fputs("A", stdout); }
"#"{1,3}cb { fputs("B", stdout); }
[0-9]db    { fputs("C", stdout); }

最后一行可能是[1234567890]，但[0-9]和[[:digit:]]更为惯用。如倒数第二行所示，通过将特殊字符放在引号内引用特殊字符是很正常的，这是正则表达式工具所允许的。请注意，"abc"*是＆＃34; abc＆＃34;的任意数量的重复，与abc*完全不同。

最大的限制是没有捕获，虽然这似乎与您的问题无关，并且几乎总是有简单的解决方法。

编译并运行：

$ flex -o replacer.c replacer.l
$ gcc -o -Wall replacer replacer.c -lfl

$ ./replacer < lorem
Lorem ipsum dolor sit amet, Bconsectetur adipiscing elit. Vestibulum
posuere ligula in diam volutpat B, vitae laoreet ligula ultrices. In
quis aliquam urna, in A suscipit purus. Nunc posuere efficitur C nibh,
tempor convallis mauris porta lobortis.

我已经知道构建生成，编译和运行flex程序的快速而肮脏的工具，因为当输入文件很大时，结果可能比从标准实用程序中将事物拼凑在一起要快得多。例如，请参阅this answer on a companion site，它会向微型flex程序添加实际的main，以避免依赖-lfl。

Answer 2

我不知道如何使用std :: regex执行此操作，但您可以尝试使用boost :: iostreams :: regex_filter。来自their site的示例仅使用一个过滤器，但我相信您可以使用更多。例子：

#include <boost/iostreams/device/array.hpp>
#include <boost/iostreams/filtering_stream.hpp>
#include <boost/iostreams/filter/regex.hpp>
#include <boost/regex.hpp>
#include <iostream>

using namespace boost::iostreams;

int main()
{
  char buffer[16];
  array_sink sink{buffer};
  filtering_ostream os;
  os.push(regex_filter{boost::regex{"Bo+st"}, "C++"});
  // push more filters here
  os.push(sink);
  os << "Boost" << std::flush;
  os.pop();
  std::cout.write(buffer, 3);
}

需要注意的是，根据文档，它会立即将所有文本读入内存。你的100万字应该不是问题，但对于千兆字节大小的文件，你可能遇到问题。

如果是我，我会手工替换，因为它可能不那么复杂。

Answer 3

这是你可以做的。

设r1，r2，...，rn是你的正则表达式，r是它们的交替（r1）|（r2）| ... |（rn）。

找到r。
分别与r1，r2，...，rn比较出现的情况。找到匹配项后，在第一次出现之前将所有内容写入目标文本，并替换。
重复其余文本。

正则表达式是否足以分析大文本？

3 个答案:

file replacer.l