C++ 正则表达式：获取 SubMatch 匹配的捕获组的索引

Question

语境。我正在开发一个 Lexer/Tokenizing 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，为了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。

当执行匹配时，我们生成的每个匹配都必须有一个与其匹配的捕获组的索引。我们使用这些 ID 将匹配映射到令牌类型。

那么这个问题的问题就出现了——如何获取群组的ID？

这里有类似的问题，但它没有为我的具体问题提供解决方案。

这正是我的问题，但它是在 JS 中，我需要一个 C/C++ 解决方案。

假设我有一个正则表达式，由用 OR 分隔的捕获组组成：

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

它匹配整数或字母单词。

我的问题要求可以知道正则表达式子匹配匹配的捕获组的索引，例如在匹配字符串时

foo bar 123

将进行 3 次迭代。每次迭代的匹配项的组索引将为0 0 1，因为前两个匹配项与第一个捕获组匹配，最后一个匹配项与第二个捕获组匹配。

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

boost::regex我对PCRE 正则表达式库了解不多。

完成这项任务的最佳方法是什么？使用哪个库和方法？

Answer 1

您可以使用sregex_iterator来获取所有匹配项，一旦有匹配项，您可以分析结构std::match_results并仅获取参与匹配的组的 ID-1 值（注意，这里只有一个组会匹配，要么是第一个组，要么是第一个组）或第二个），可以使用以下命令方便地检查m[index].matched：

std::regex r(R"((\b[[:alpha:]]+\b)|(\b\d+\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，这R"(...)"是一个原始字符串文字，不需要在其中使用双反斜杠。

另外，在循环开始时index设置为，因为第 0 组是整个匹配，但您希望组 ID 从零开始，这就是为什么稍后要减去的原因。1for1