c++ - 逐字逐句阅读长文本

Question

我正在尝试阅读一段很长的文本，并将这段文本分成它包含的每个单词。我所做的第一次尝试是使用 std::ifstream 和 operator>> 从文件中读取它以读入字符串。问题是，因为它只剪切空白字符上的文本，所以我仍然在短语的最后一个单词处得到句点(如 problem.)和一些不代表什么的特殊字符串(有时我有-> 或 **).

我考虑过逐个读取一个字符，或者将读取的字符串也拆分成一个字符，并发现删除了不在正确范围内的字符(介于 a-z、A-Z 和 0-9 之间)，但这个解决方案似乎非常困惑。另外，我无法使用正则表达式，因为我使用的是 GCC 4.8.3，而且无法使用 Boost。

是否有比第二个更好的解决方案，或者这是好的方法？我所说的好是指相对容易实现并产生预期结果(仅字母数字字符)。

Answer 1

您可以在您的流语言环境中安装自定义 ctype:

#include <iostream>
#include <locale>
#include <sstream>

class WordCharacterClassification : public std::ctype<char>
{
    private:
    typedef std::ctype<char> Base;
    const mask* initialize_table(const Base&);

    public:
    typedef Base::mask mask;
    typedef Base::char_type char_type;

    public:
    WordCharacterClassification(const Base& source, std::size_t refs = 0)
    :   Base(initialize_table(source), false, refs)
    {}


    private:
    mask m_table[Base::table_size];
};

inline const typename WordCharacterClassification::mask*
WordCharacterClassification::initialize_table(const Base& source) {
    const mask* src = source.table();
    const mask* src_end = src + Base::table_size;
    const mask space
        = std::ctype_base::space
        | std::ctype_base::cntrl
        | std::ctype_base::digit
        | std::ctype_base::punct;

    mask* dst = m_table;
    for( ; src < src_end; ++dst, ++src) {
        *dst = *src;
        if(*src & space)
            *dst |= std::ctype_base::space;
    }
    return m_table;
}


int main() {
    std::istringstream in("This->is a delimiter-test4words");
    std::locale locale = in.getloc();

    WordCharacterClassification classification(
        std::use_facet<std::ctype<char>>(locale),
        // We hold a reference and do not transfer ownership:
        true);

    in.imbue(std::locale(locale, &classification));

    std::string word;
    std::cout << "Words:\n";
    while(in >> word) {
        std::cout << word << '\n';
    }
}

注意:静态表(不复制原始表)会简化它。