如何在C中的文本文件中解析标签之间的数据

Question

我想使用 C 从文本文件中打印标签之间的数据。

输入语句： (PERSON) Mark Zuckerberg (/PERSON) 是来自 (LOCATION) USA (/LOCATION) 的企业家。他还是（组织）Facebook（/组织）的首席执行官。

输出：马克扎克伯格美国 Facebook。

我的程序代码是：

    const char* getfield(char* line, int num)
    {
        const char* tok;
        for (tok = strtok(line, "/>");
                tok && *tok;
                tok = strtok(NULL, "<\n"))
        {
            if (!--num)
                return tok;
        }
        return NULL;
    }

    int main()
    {
        char line[500000];
        while (fgets(line, 500000, stdin))
        {
            char* tmp = strdup(line);
            printf(" %s\n", getfield(tmp, 2));
            free(tmp);
        }
    }

它只打印马克扎克伯格。标签之间的其他数据没有显示？有人可以帮助我哪里出错了吗？我刚刚开始学习 C 中的文件处理，因此非常感谢您的指导。谢谢。

编辑：请将“(”替换为“”。

Answer 1

我猜你的getfield 不会做你想做的事。在示例字符串（替换括号）上，您的 for 循环开始 strtok 将在第一个“>”处剪切（strtok 使用任何字符作为分隔符）所以第一个“PERSON”之后的那个。之后，您只在此标签的末尾剪切“>\n”。如果num 足够大，它会给出（在循环内）：

<PERSON
 Mark Zuckerberg 
/PERSON> is a entrepreneur from 
LOCATION> USA 
/LOCATION>. He is also the CEO of 
ORGANIZATION> Facebook 
/ORGANIZATION>

您应该交替搜索：搜索结束标记 (>)，然后搜索开始标记 (

char *gf(char *line, int num) {
  char *n1, *n2;
  // comments are for the 1st loop
  // search end of 1st tag (opening)
  n1 = strtok(line, ">\n");
  while(n1) {
    // search begin of 2nd tag (correp. closing)
    n2 = strtok(NULL, "<");
    // this one is good, shall we return it?
    if (num == 0) {
      return(n2);
    }
    printf("Found: %s\n", n2);
    // search end 2nd tag (have to skip it)
    n1 = strtok(NULL, ">\n");
    // search end of 3rd tag (opening), then loop (same situation)
    n1 = strtok(NULL, ">\n");
  }
  return NULL;
}

请注意，这段代码不是很好。如果你在常规文本中有“>”或“

注意之二：如果你需要一个健壮的方法，你将不得不读取标签。我的意思是找到一个标签（“”之间的东西），然后找到相应的结束标签（相同，但带有/和相同的内容），然后只获取里面的文本或产生错误。

编辑：我更改了函数，使其返回 numth 元素。您现在必须处理一个main() 函数，该函数能够多次调用此函数，num 的值不断增加，存储（或打印）结果，直到得到 NULL 答案。 作为家庭作业，您必须找到如何管理main 中的主字符串（行），以便可以进行连续调用（否则您实际上只会得到第一个标签）:)

Answer 2

您的fgets() 呼叫正在读取整行。然后调用getfield() 并打印结果。然后，您丢弃阅读的其余内容，尝试阅读更多内容，没有更多内容，然后退出循环。只要line 中有未处理的数据，就需要继续循环。

编辑：这里有一些示例代码可以帮助您入门：

int main()
{
    char line[500000];
    while (fgets(line, 500000, stdin))
    {
        char *arg = line;
        const char *tok;
        while ((tok = getfield(arg, 2)) != NULL) {
            printf("%s\n", tok);
            arg = NULL;
        }
    }
}

但请注意，这不是真正的解决方案。一方面，它会给你标签外的文本以及标签内的文本，所以你需要跳过它。另一方面，如果您的输入文件包含多行，它将无法真正正常工作。

Answer 3

编辑：在代码和解释中分别将 ( 和 ) 更改为 < 和 >。谢谢汤姆。

这里是解决方案。尝试理解代码。此外，请随时根据您的需要对其进行修改。基本上，您需要做的是通过扫描字符< 和> 来扫描标签<> 或/和</>。当你遇到< 字符时，增加索引直到遇到> 字符。一旦遇到> 字符，然后开始复制> 字符后面的字符，直到遇到另一个< 字符，然后重复处理直到到达空终止字符'\0'。

#include<stdio.h>
//#pragma warning(disable : 4996)

void removeTags(char inpData[], int dataLen);

int main()
{
   char letter, fileData[400];
   int numLetters;
   FILE *pfile;
   pfile = fopen("test.txt", "r");

   if (pfile == NULL)
   {
     printf("Error!Can not open file");
   }
   else 
   {
    numLetters = 0;
    while ((letter = fgetc(pfile)) != EOF) 
    {
        fileData[numLetters] = letter;
        numLetters++;
    }
    fileData[numLetters] = '\0';
    printf("File Data:\n\n");
    printf("%s", fileData);
    printf("\nRemoving Tags.....\n");
    removeTags(fileData,numLetters);
}

return 0;
}

void removeTags(char inpData[],int inpLen)
{
   char character,temp[400];
   int index = 0,tindex=0;

   while (inpData[index] != '\0')
   {
      if ((inpData[index] >= 'A' && inpData[index] <= 'Z') || (inpData[index] >= 'a' && inpData[index] <= 'z') || inpData[index] == ' ' || inpData[index] == '.')
      {
        temp[tindex] = inpData[index];
        index++;
        tindex++;
      }
      else if (inpData[index] == '<')
      {
        while (inpData[index] != '>')
        {
            index++;
        }
        index++;
        temp[tindex] = ' ';
        if (tindex > 0)
        {
            tindex++;
        }

    }
    else
    {
        break;
    }
}
temp[tindex] = '\0';
printf("%s", temp);
}