一个很难的字符串问题
有 n 个 RegEx (正则表达式),标号从 0 到 n-1,n 可能很大 (比如说100万)。
问题:给定一个字符串,返回能 match 这个字符串的所有正则表达式标号。
用 C++ 来描述这个需求:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
class MultiRegEx { public: struct MatchResult { int nth; // regex NO. int beg; // begin of matched pos in text int end; // end of matched pos in text }; // return the index NO. of the internal regex object, -1 indicate error int add(const char* regex); // compile the MultiRegEx bool compile(); // length is the length of text vector<MatchResult> match(const char* text, int length) const; }; |
这个问题看上去简单,但其实现非常复杂!一个简单生硬的实现是,随便拿一个正则表达式引擎(如boost.regex, pcre, re2, …),match 时逐个匹配,匹配成功的,加入返回值集合。但这个时间复杂度太高!
原则上,unix 下的 lex 可以匹配多个 RegEx,并返回那个被匹配的 RegEx 标号,但好像无法识别多个成功的 RegEx 匹配。
这个问题的一个简化版:这 n 个 RegEx 只是简单的 PlainString,就是 Multi String Match 问题,甚至是这个简化版,其实现复杂多都相当高(trie, double array, …)。
我找了很多资料,好像都没有特别合适的办法。
2013-08-31:
google re2 中有同时匹配多个正则表达式的功能,可惜还是有些缺陷,正在做自己的引擎,克服那些缺陷
请教,很多Linux下的库,如何转成VC的project file的?有没有诀窍或者专用的工具?
好像不能,开源界有个 CMake 工具,跨平台,可以从 CMake 脚本生成 vcproj 和 Makefile
可以从这N个正则表达式的联系入手分析吗?构建正则表达式群或者树之类的. 起码有的可能排斥或者等价吧.
[reply]lonelyrains[/reply]
参考这篇:http://blog.csdn.net/whinah/article/details/14109083