具有多个定界符的字符串分词器，包括不带 Boost 的定界符

Question

我需要用 C++ 创建字符串解析器。我尝试使用

vector<string> Tokenize(const string& strInput, const string& strDelims)
{
 vector<string> vS;

 string strOne = strInput;
 string delimiters = strDelims;

 int startpos = 0;
 int pos = strOne.find_first_of(delimiters, startpos);

 while (string::npos != pos || string::npos != startpos)
 {
  if(strOne.substr(startpos, pos - startpos) != "")
   vS.push_back(strOne.substr(startpos, pos - startpos));

  // if delimiter is a new line (\n) then add new line
  if(strOne.substr(pos, 1) == "\n")
   vS.push_back("\n");
  // else if the delimiter is not a space
  else if (strOne.substr(pos, 1) != " ")
   vS.push_back(strOne.substr(pos, 1));

  if( string::npos == strOne.find_first_not_of(delimiters, pos) )
   startpos = strOne.find_first_not_of(delimiters, pos);
  else
   startpos = pos + 1;

        pos = strOne.find_first_of(delimiters, startpos);

 }

 return vS;
}

这适用于 2X+7cos(3Y)

(tokenizer("2X+7cos(3Y)","+-/^() \t");)

但是给出 2X 的运行时错误

我需要非 Boost 解决方案。

我尝试使用 C++ String Toolkit (StrTk) Tokenizer

std::vector<std::string> results;
strtk::split(delimiter, source,
             strtk::range_to_type_back_inserter(results),
             strtk::tokenize_options::include_all_delimiters);

 return results;

但它没有将令牌作为单独的字符串提供。

例如：如果我将输入设为 2X+3Y

输出向量包含

2X+

3岁

Answer 1

可能发生的事情是这在通过时崩溃了 npos:

lastPos = str.find_first_not_of(delimiters, pos);

只需在循环中添加中断，而不是依赖 while 子句来中断它。

if (pos == string::npos)
  break;
lastPos = str.find_first_not_of(delimiters, pos);

if (lastPos == string::npos)
  break;
pos = str.find_first_of(delimiters, lastPos);

Answer 2

我创建了一个小函数，可以将字符串拆分为子字符串（存储在向量中），它允许您设置要将哪些字符视为白色space。正常的 whitespace 仍将被视为 whitespace，因此您不必定义它。实际上，它所做的只是将您定义为 whitespace 的字符变成实际的 whitespace (space char ' ')。然后它在流 (stringstream) 中运行它以分离子字符串并将它们存储在向量中。这可能不是您解决这个特定问题所需要的，但也许它可以给您一些想法。

// split a string into its whitespace-separated substrings and store
// each substring in a vector<string>. Whitespace can be defined in argument
// w as a string (e.g. ".;,?-'")
vector<string> split(const string& s, const string& w)
{
    string temp{ s };
    // go through each char in temp (or s)
    for (char& ch : temp) {     
        // check if any characters in temp (s) are whitespace defined in w
        for (char white : w) {  
            if (ch == white)
                ch = ' ';       // if so, replace them with a space char (' ')
        }
    }

    vector<string> substrings;
    stringstream ss{ temp };

    for (string buffer; ss >> buffer;) {
        substrings.push_back(buffer);
    }
    return substrings;
}

Answer 3

如果您能分享一些关于您的环境的信息，那就太好了。你的程序运行在我的 Fedora 20 上使用 g++ 输入值 2X 没问题。

Answer 4

循环退出条件被破坏：

while (string::npos != pos || string::npos != startpos)

允许输入，比如 pos = npos 和 startpos = 1。

所以

strOne.substr(startpos, pos - startpos)
strOne.substr(1, npos - 1)

end 不是 npos，所以 substr 不会在它应该停止的地方停止并且 BOOM！

如果 pos = npos 且 startpos = 0，

strOne.substr(startpos, pos - startpos)

活着，但是

strOne.substr(pos, 1) == "\n"
strOne.substr(npos, 1) == "\n"

死了。也是

strOne.substr(pos, 1) != " "

遗憾的是我没时间了，现在无法解决这个问题，但 QuestionC 的想法是对的。更好的过滤。大致如下：

    if (string::npos != pos)
    {
        if (strOne.substr(pos, 1) == "\n") // can possibly simplify this with strOne[pos] == '\n'
            vS.push_back("\n");
        // else if the delimiter is not a space
        else if (strOne[pos] != ' ')
            vS.push_back(strOne.substr(pos, 1));
    }

具有多个定界符的字符串分词器，包括不带 Boost 的定界符

String Tokenizer with multiple delimiters including delimiter without Boost

c++

string

tokenize