在类C语言中，帮助提取匹配花括号之间的文本块

Question

我有一些关于HDF5文件格式的文档，使用了GraphViz dot语言编写。(这是一种类似C语言的语言，有很多大括号。)这个主文件包含许多这样的元素:

subgraph cluster_clustername { 
                              ...
                              lots of stuff including more curly braces spanning multiple lines
                              ...
                              }

我想根据clustername提取这一段文本，以创建各个子图的图表，而不是包含所有内容的大型超级图表。每个子图群集都是一个单独的HDF5文件，通过HDF5外部软链接连接在一起。应该有一种方法可以提取所需的文本块（匹配某些特定文本模式后的第一个{和跨越多行的结尾}之间的嵌套）。因为C和类C语言的普及性，这似乎应该是相对常见的任务。

我认为最适合完成此任务的工具是：

awk python

gvpr- graphviz提供的图形流编辑器（但对于其他人来说可能没有帮助，例如有相同问题的C程序员，网络上几乎没有示例，并且语法令人困惑）

sed

目前我通过使用M-x ediff-regions-linewise在Emacs中维护主文件，然后更新每个派生文件，但我需要一种自动化且强大的生成派生文件的方法，以便可以使用Make构建文档文件。我对上述工具唯一有一点经验的是sed，但由于模式复杂且跨越多行，我认为awk或python这样的工具更适合执行此任务。

事实上，我尝试了一种类似于awk中引用计数的技术，但我遇到了一些问题，不理解awk的某些更微妙的行为，而且过去我只使用过awk的一行代码。

非常感谢您提前提供任何帮助。 -Z

- zbeekman

---

一个类似的正则表达式问题已经在这里提出 [http://stackoverflow.com/questions/1430355/regular-expression-for-content-within-braces]，所以正则表达式取决于您的正则表达式引擎，并不是微不足道的问题，不会是我的首选。 - stema

你的“很多东西”是否包括应该被忽略的（不重要的）花括号的字符串字面量或注释？ - ridgerunner

是的，返回仅翻译后的文本。 - zbeekman

Answer 1

我不能告诉你这是最好或最优雅的解决方案，但我以前使用过这个Python函数，它有效。它无法处理注释或字符串字面量中的不平衡括号，但可以处理嵌套括号。使用方法如下：token = get_token_between_chars(string_to_parse, '{', '}')

def get_token_between_chars(string, start_char, end_char):
  token = ''

  n_left = 0
  n_right = 0
  closed = False

  start_index = 0
  end_index = 0
  count = 0

  for c in string:
    if c == start_char:
      n_left += 1
      if n_left == 1:
        start_index = count
    elif c == end_char:
      n_right += 1

    if n_left > n_right and not closed:
      token += c
    elif n_left > 0 and n_left == n_right:
      closed = True
      end_index = count
      break

    count += 1

  token = token[1 : len(token)]
  return [start_index, token, end_index+1]

- dantswain

---

谢谢Dan。我会仔细查看这个，确保我理解了一切，然后尝试一下。结合Python的正则表达式模块，我认为我应该能够让它工作。 - zbeekman

Answer 2

使用Perl，你可以使用Text::Balanced模块。它可以返回平衡分隔符之前、之中和之后的文本。

- CanSpice

---

谢谢更新。我会在Google上搜索一下，但请注意，我完全没有Perl经验。如果有人有更好的开箱即用解决方案，我肯定会感激不尽。与此同时，我会探索这个方案。 - zbeekman

Answer 3

您可以使用awk或任何具有良好字符串处理能力的编程语言。例如，使用一些突出的模式拆分文本。例如，假设“subgraph”分隔每个块，并且您想获取cluster_A，则可以执行以下操作

$ cat file
subgraph cluster_A {
                              ...
                              lots of stuff more curly {
                          }
                              ...
                              }

subgraph cluster_B {
                              ...
                              lots of stuff including more curly braces spanning multiple lines
                              ...
                              }

$ awk 'BEGIN{RS="subgraph"} /cluster_A/{ print "subgraph "$0} ' file
subgraph  cluster_A {
                              ...
                              lots of stuff more curly {
                          }
                              ...
                              }

- kurumi

---

问题在于每个子图之间都有其他我不想要的东西（连接每个子图组件的边缘）。如果只是获取线路模式1和线路模式2之间的文本，可以轻松执行以下操作：sed -n '/pattern1/,/pattern2/p' filename.dot。找到块的结尾的唯一方法是找到关闭块的匹配}。 - zbeekman