从文本文档中提取键+短语的规则

Question

我想从文档中提取关键短语："something KEY phrase END something ... ect"。我的规则运行良好，但结果不包含键名。获取字符串的规则应该是什么："KEY phrase"。谢谢指教。

std::vector<std::string> doc; 
bool r = qi::phrase_parse(first,last, 
  ( qi::omit[*(qi::char_-"KEY")] 
    >> qi::lexeme[ "KEY"
    >> *(qi::char_-"KEY" -"END")] ) % "END"
, qi::space, doc);

Answer 1

qi::lit(...) 没有合成属性。

qi::string(...) 会。

可能会将 "KEY" 替换为 qi::string("KEY")。（不知道 doc 的类型很难分辨）

bool r = qi::phrase_parse(first,last, 
  ( qi::omit[*(qi::char_-"KEY")] 
    >> qi::lexeme[ qi::string("KEY")
    >> *(qi::char_-"KEY" -"END")] ) % "END"
, qi::space, doc);

BONUS 另见 seek[] parser directive 来自 Spirit Repository：

The seek[] parser-directive skips all input until the subject parser matches.

我会这样做：

Live On Coliru

#include <boost/spirit/include/qi.hpp>
#include <boost/spirit/repository/include/qi_seek.hpp>
namespace qi = boost::spirit::qi;
namespace qr = boost::spirit::repository::qi;

extern std::string const sample; // below

int main() {
    auto f(sample.begin()), l(sample.end());

    std::vector<std::string> phrases;

    if (qi::parse(f,l, *qi::as_string[
                qr::seek[qi::string("KEY")] >> *(qi::char_ - "END")
            ], phrases)) 
    {
        for (size_t i = 0; i < phrases.size(); ++i) 
            std::cout << "keyphrase #" << i << ": '" << phrases[i] << "'\n";
    }
}

打印：

keyphrase #0: 'KEY@v/0qwJTjgFQwNmose7LiEmAmKpIdK3TPmkCs@'
keyphrase #1: 'KEY@G1TErN1QSSKi17BSnwBKML@'
keyphrase #2: 'KEY@pWhBKmc0sD+o@'
keyphrase #3: 'KEY@pwgjNJ0FvWGRezwi74QdIQdmUuKVyquWuvXz4tBOXqMMqco@'
keyphrase #4: 'KEY@aJ3QUfLh3AqfKyxcUSiDbanZmCNGza6jb6pZ@'
keyphrase #5: 'KEY@bYJzitZUyXlgPA009qBpleHIJ9uJUSdJO78iisUgHkoqUpf+oXZQF9X/7v2fikgemCD@'

此答案的评论中包含示例数据：/此处/

Answer 2

最终基准：

灵气（上面sahe的解法）- 项目数：5585 耗时：183.676 秒
增强正则表达式 - 项目数：5585 耗时：197.684 秒
表达正则表达式 - 项目数：5585 耗时：232.597 秒

数据大小：23.9 MB 文本文件

从文本文档中提取键+短语的规则

rule to extract key+phrases from a text document

c++

parsing

boost-spirit-qi