首页 > 代码库 > boost::tokenizer详解
boost::tokenizer详解
tokenizer 库提供预定义好的四个分词对象, 其中char_delimiters_separator已弃用. 其他如下:
1. char_separator
char_separator有两个构造函数
1. char_separator()
使用函数 std::isspace() 来识别被弃分隔符，同时使用 std::ispunct() 来识别保留分隔符。另外，抛弃空白单词。(见例2)
2. char_separator(// 不保留的分隔符
const Char* dropped_delims,
// 保留的分隔符
const Char* kept_delims = 0,
// 默认不保留空格分隔符, 反之加上改参数keep_empty_tokens
empty_token_policy empty_tokens = drop_empty_tokens)
该函数创建一个 char_separator 对象，该对象被用于创建一个 token_iterator 或 tokenizer 以执行单词分解。dropped_delims 和 kept_delims 都是字符串，其中的每个字符被用作分解时的分隔符。当在输入序列中遇到一个分隔符时，当前单词即完成，并开始下一个新单词。dropped_delims 中的分隔符不出现在输出的单词中，而 kept_delims 中的分隔符则会作为单词输出。如果 empty_tokens 为 drop_empty_tokens, 则空白单词不会出现在输出中。如果 empty_tokens 为 keep_empty_tokens 则空白单词将出现在输出中。 (见例3)
2. escaped_list_separator
escaped_list_separator有两个构造函数
下面三个字符做为分隔符: ‘\‘, ‘,‘, ‘"‘
1. explicit escaped_list_separator(Char e = ‘\\‘, Char c = ‘,‘,Char q = ‘\"‘);
| 参数 | 描述 |
| e | 指定用作转义的字符。缺省使用C风格的\(反斜杠)。但是你可以传入不同的字符来覆盖它。 如果你有很多字段是Windows风格的文件名时，路径中的每个\都要转义。 你可以使用其它字符作为转义字符。 |
| c | 指定用作字段分隔的字符 |
| q | 指定用作引号的字符 |
2. escaped_list_separator(string_type e, string_type c, string_type q):
| 参数 | 描述 |
| e | 字符串e中的字符都被视为转义字符。如果给定的是空字符串，则没有转义字符。 |
| c | 字符串c中的字符都被视为分隔符。如果给定的是空字符串，则没有分隔符。 |
| q | 字符串q中的字符都被视为引号字符。如果给定的是空字符串，则没有引号字符。 |
3. offset_separator
offset_separator 有一个有用的构造函数
template<typename Iter>
offset_separator(Iter begin,Iter end,bool bwrapoffsets = true, bool breturnpartiallast = true);
| 参数 | 描述 |
| begin, end | 指定整数偏移量序列 |
| bwrapoffsets | 指明当所有偏移量用完后是否回绕到偏移量序列的开头继续。 例如字符串 "1225200101012002" 用偏移量 (2,2,4) 分解， 如果 bwrapoffsets 为 true, 则分解为 12 25 2001 01 01 2002. 如果 bwrapoffsets 为 false, 则分解为 12 25 2001，然后就由于偏移量用完而结束。 |
| breturnpartiallast | 指明当被分解序列在生成当前偏移量所需的字符数之前结束，是否创建一个单词，或是忽略它。 例如字符串 "122501" 用偏移量 (2,2,4) 分解， 如果 breturnpartiallast 为 true，则分解为 12 25 01. 如果为 false, 则分解为 12 25，然后就由于序列中只剩下2个字符不足4个而结束。 |
例子
void test_string_tokenizer() { using namespace boost; // 1. 使用缺省模板参数创建分词对象, 默认把所有的空格和标点作为分隔符. { std::string str("Link raise the master-sword."); tokenizer<> tok(str); for (BOOST_AUTO(pos, tok.begin()); pos != tok.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; // [Link][raise][the][master][sword] } // 2. char_separator() { std::string str("Link raise the master-sword."); // 一个char_separator对象, 默认构造函数(保留标点但将它看作分隔符) char_separator<char> sep; tokenizer<char_separator<char> > tok(str, sep); for (BOOST_AUTO(pos, tok.begin()); pos != tok.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; // [Link][raise][the][master][-][sword][.] } // 3. char_separator(const Char* dropped_delims, // const Char* kept_delims = 0, // empty_token_policy empty_tokens = drop_empty_tokens) { std::string str = ";!!;Hello|world||-foo--bar;yow;baz|"; char_separator<char> sep1("-;|"); tokenizer<char_separator<char> > tok1(str, sep1); for (BOOST_AUTO(pos, tok1.begin()); pos != tok1.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; // [!!][Hello][world][foo][bar][yow][baz] char_separator<char> sep2("-;", "|", keep_empty_tokens); tokenizer<char_separator<char> > tok2(str, sep2); for (BOOST_AUTO(pos, tok2.begin()); pos != tok2.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; // [][!!][Hello][|][world][|][][|][][foo][][bar][yow][baz][|][] } // 4. escaped_list_separator { std::string str = "Field 1,\"putting quotes around fields, allows commas\",Field 3"; tokenizer<escaped_list_separator<char> > tok(str); for (BOOST_AUTO(pos, tok.begin()); pos != tok.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; // [Field 1][putting quotes around fields, allows commas][Field 3] // 引号内的逗号不可做为分隔符. } // 5. offset_separator { std::string str = "12252001400"; int offsets[] = {2, 2, 4}; offset_separator f(offsets, offsets + 3); tokenizer<offset_separator> tok(str, f); for (BOOST_AUTO(pos, tok.begin()); pos != tok.end(); ++pos) std::cout << "[" << *pos << "]"; std::cout << std::endl; } }
boost::tokenizer详解