C++正则表达式:获取子匹配的捕获组的索引

C++ regex: Get index of the Capture Group the SubMatch matched to

本文关键字：索引 正则表达式 获取 C++      更新时间：2023-10-16

Context.我正在开发一个词法分析器/标记化引擎，它将使用正则表达式作为后端。词法分析器接受定义令牌类型/ID 的规则，例如

<identifier> = "\b\w+\b".

正如我所设想的那样，要进行基于正则表达式匹配的标记化，正则表达式定义的所有规则都包含在捕获组中，并且所有组都由 OR 分隔。

执行匹配时，我们生成的每个匹配都必须具有与其匹配的捕获组的索引。我们使用这些 ID 将匹配项映射到令牌类型。

所以这个问题的问题出现了——如何获取组的ID？

这里有类似的问题，但它没有为我的特定问题提供解决方案。

正是我的问题，但它在 JS 中，我需要一个 C/C++ 解决方案。

因此，假设我有一个正则表达式，由捕获由OR分隔的组组成：

(\b[a-zA-Z]+\b)|(\b\d+\b)

与整数或字母单词匹配。

我的问题要求可以知道正则表达式子匹配的捕获组的索引，例如在匹配字符串时

foo bar 123

将完成 3 次迭代。每次迭代的匹配的组索引将被0 0 1，因为前两个匹配匹配第一个捕获组，最后一个匹配匹配第二个捕获组。

我知道在标准std::regex库中这并不完全可行(regex_token_iterator不是解决方案，因为我不需要跳过任何匹配)。

我对boost::regex或 PCRE 正则表达式库知之

甚少。完成此任务的最佳方法是什么？使用哪个库和方法？

您可以使用sregex_iterator获取所有匹配项，一旦有匹配项，您就可以分析std::match_results结构，只获取参与匹配的组的 ID-1 值(注意这里只有一个组会匹配，要么是第一个，要么是第二个)，可以用m[index].matched方便地检查：

std::regex r(R"((b[[:alpha:]]+b)|(bd+b))");
std::string s = "foo bar 123";
for(std::sregex_iterator i = std::sregex_iterator(s.begin(), s.end(), r);
i != std::sregex_iterator();
++i)
{
std::smatch m = *i;
std::cout << "Match value: " << m.str() << " at Position " << m.position() << 'n';
for(auto index = 1; index < m.size(); ++index ){
if (m[index].matched) {
std::cout << "Capture group ID: " << index-1 << std::endl;
break;
}
}
}

请参阅C++演示。输出：

Match value: foo at Position 0
Capture group ID: 0
Match value: bar at Position 4
Capture group ID: 0
Match value: 123 at Position 8
Capture group ID: 1

请注意，R"(...)"是原始字符串文本，无需在其中使用双反斜杠。

此外，index设置为在for循环开始时1，因为第 0 组是整个匹配项，但您希望组 ID 从零开始，这就是稍后减去1的原因。

相关文章：