C++ 正则表达式：获取与 SubMatch 匹配的捕获组的索引

Question

上下文。我正在开发一个 Lexer/Tokenizing 引擎，它将使用正则表达式作为后端。词法分析器接受规则，这些规则定义了标记类型/ID，例如

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

正如我所设想的，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。

在执行匹配时，我们生成的每个匹配必须有一个与之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。

那么这个问题的问题就出现了——如何获取组的ID？

Similar question 在这里，但它没有为我的具体问题提供解决方案。

正是我的问题here，但它在 JS 中，我需要 C/C++ 解决方案。

假设我有一个正则表达式，由 OR 分隔的捕获组组成：

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

匹配整数或字母词。

我的问题要求正则表达式子匹配匹配的捕获组的索引是已知的，例如匹配字符串时

foo bar 123

将完成 3 次迭代。每次迭代匹配的组索引为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。

我知道在标准的 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项）。

我对@9​​87654329@ 或 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 获取所有匹配项，一旦有匹配项，您可以分析std::match_results 结构并仅获取参与匹配的组的ID-1 值（注意只有一个组这里将匹配第一个或第二个），可以使用m[index].matched 方便地检查：

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++ demo。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"(...)" 是一个原始字符串文字，无需在其中使用双反斜杠。

另外，index 在for 循环的开头设置为1，因为第 0 组是整个匹配项，但您希望组 ID 从零开始，这就是为什么 1 是稍后减去。