c++ - 如何从 C++ 中的字符串中去除所有非字母数字字符？

Question

我正在编写一个软件，它需要我处理从带有 libcurl 的网页获取的数据。当我得到数据时，由于某种原因，它有额外的换行符。我需要想办法只允许字母、数字和空格。并删除其他所有内容，包括换行符。有什么简单的方法可以做到这一点？谢谢。

Answer 1

如果要删除该字符或要保留该字符，请编写一个接受 achar并返回的函数：truefalse

bool my_predicate(char c);

然后使用std::remove_if算法从字符串中删除不需要的字符：

std::string s = "my data";
s.erase(std::remove_if(s.begin(), s.end(), my_predicate), s.end());

根据您的要求，您可以使用标准库谓词之一，例如std::isalnum，而不是编写自己的谓词（您说您需要匹配字母数字字符和空格，所以这可能不完全符合您的需要） .

如果要使用标准库std::isalnum函数，则需要进行强制转换以消除std::isalnumC 标准库标头中的函数<cctype>（这是您要使用的）和std::isalnumC++ 标准库标头中的<locale>函数（不是你想使用，除非你想执行特定于语言环境的字符串处理）：

s.erase(std::remove_if(s.begin(), s.end(), (int(*)(int))std::isalnum), s.end());

这同样适用于任何序列容器（包括和std::string）。这个成语通常被称为“擦除/删除”成语。该算法也适用于普通数组。仅对序列进行一次传递，因此它具有线性时间复杂度 。std::vectorstd::dequestd::remove_ifstd::remove_if

Answer 2

以前的使用std::isalnum不会在std::ptr_fun不传递一元参数的情况下编译，因此这个带有 lambda 函数的解决方案应该封装正确的答案：

s.erase(std::remove_if(s.begin(), s.end(), 
[]( auto const& c ) -> bool { return !std::isalnum(c); } ), s.end());

Answer 3

erase如果您使用的是string.

#include <cctype>

size_t i = 0;
size_t len = str.length();
while(i < len){
    if (!isalnum(str[i]) || str[i] == ' '){
        str.erase(i,1);
        len--;
    }else
        i++;
}

使用标准库更好的人可能可以在没有循环的情况下做到这一点。

如果您只使用char缓冲区，则可以循环遍历，如果字符不是字母数字，则将其后的所有字符向后移动一个（以覆盖有问题的字符）：

#include <cctype>

size_t buflen = something;
for (size_t i = 0; i < buflen; ++i)
    if (!isalnum(buf[i]) || buf[i] != ' ')
        memcpy(buf[i], buf[i + 1], --buflen - i);

Answer 4

只是多扩展一点 James McNellis 的代码。他的功能是删除alnum字符而不是非alnum字符。

从字符串中删除非alnum字符。（alnum = 字母或数字）

• 声明一个函数（如果传递的 char 不是 alnum，isalnum 返回 0）

  bool isNotAlnum(char c) {
      return isalnum(c) == 0;
  }
  

• 然后写这个

  s.erase(remove_if(s.begin(), s.end(), isNotAlnum), s.end());
  

那么您的字符串仅包含 alnum 字符。

Answer 5

对不同方法进行基准测试。

如果您正在寻找我制定的基准。

(115830 cycles) 115.8ms -> using stringstream
( 40434 cycles)  40.4ms -> s.erase(std::remove_if(s.begin(), s.end(), [](char c) { return !isalnum(c); }), s.end());
( 40389 cycles)  40.4ms -> s.erase(std::remove_if(s.begin(), s.end(), [](char c) { return ispunct(c); }), s.end());
( 42386 cycles)  42.4ms -> s.erase(remove_if(s.begin(), s.end(), not1(ptr_fun( (int(*)(int))isalnum ))), s.end());
( 42969 cycles)  43.0ms -> s.erase(remove_if(s.begin(), s.end(), []( auto const& c ) -> bool { return !isalnum(c); } ), s.end());
( 44829 cycles)  44.8ms -> alnum_from_libc(s) see below
( 24505 cycles)  24.5ms -> Puzzled? My method, see below
(  9717 cycles)   9.7ms -> using mask and bitwise operators

Original length: 8286208, current len with alnum only: 5822471

---

• Stringstream 给出了糟糕的结果（但我们都知道）
• 已经给出的不同答案给出了相同的运行时间
• 以 C 方式执行它始终可以提供更好的运行时间（几乎快两倍！），这绝对值得考虑，最重要的是它与 C 语言兼容。
• 我的按位方法（也与 C 兼容）快 400% 以上。

注意必须修改所选答案，因为它只保留特殊字符

NB2：测试文件是一个（几乎）8192 kb 的文本文件，大约有 62 个 alnum 和 12 个特殊字符，随机且均匀地写入。

---

基准测试源代码

#include <ctime>

#include <iostream>
#include <sstream>
#include <string>
#include <algorithm>

#include <locale> // ispunct
#include <cctype>

#include <fstream> // read file
#include <streambuf>

#include <sys/stat.h> // check if file exist
#include <cstring>

using namespace std;

bool exist(const char *name)
{
  struct stat   buffer;
  return !stat(name, &buffer);
}

constexpr int SIZE = 8092 * 1024;

void keep_alnum(string &s) {
    stringstream ss;
    int i = 0;
    for (i = 0; i < SIZE; i++)
        if (isalnum(s[i]))
            ss << s[i];
    s = ss.str();
}

/* my method, best runtime */
void old_school(char *s) {
    int n = 0;
    for (int i = 0; i < SIZE; i++) {
        unsigned char c = s[i] - 0x30; // '0'
        if (c < 10 || (c -= 0x11) < 26 || (c -= 0x20) < 26) // 0x30 + 0x11 = 'A' + 0x20 = 'a'
            s[n++] = s[i];
    }
    s[n] = '\0';
}

void alnum_from_libc(char *s) {
    int n = 0;
    for (int i = 0; i < SIZE; i++) {
        if (isalnum(s[i]))
            s[n++] = s[i];
    }
    s[n] = '\0';
}

#define benchmark(x) printf("\033[30m(%6.0lf cycles) \033[32m%5.1lfms\n\033[0m", x, x / (CLOCKS_PER_SEC / 1000))

int main(int ac, char **av) {
    if (ac < 2) {
        cout << "usage: ./a.out \"{your string} or ./a.out FILE \"{your file}\n";
        return 1;
    }
    string s;
    s.reserve(SIZE+1);
    string s1;
    s1.reserve(SIZE+1);
    char s4[SIZE + 1], s5[SIZE + 1];
    if (ac == 3) { 
        if (!exist(av[2])) {
            for (size_t i = 0; i < SIZE; i++)
              s4[i] = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnoporstuvwxyz!@#$%^&*()__+:\"<>?,./'"[rand() % 74];
          s4[SIZE] = '\0';
          ofstream ofs(av[2]);
          if (ofs)
            ofs << s4;
        }
        ifstream ifs(av[2]);
        if (ifs) {
          ifs.rdbuf()->pubsetbuf(s4, SIZE);
          copy(istreambuf_iterator<char>(ifs), {}, s.begin());
        }
        else
          cout << "error\n";

        ifs.seekg(0, ios::beg);
        s.assign((istreambuf_iterator<char>(ifs)), istreambuf_iterator<char>());
    }
    else
        s = av[1];

    double elapsedTime;
    clock_t start;
    bool is_different = false;

    s1 = s;
    start = clock();
    keep_alnum(s1);
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    string tmp = s1;

    s1 = s;
    start = clock();
    s1.erase(std::remove_if(s1.begin(), s1.end(), [](char c) { return !isalnum(c); }), s1.end());
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s1.c_str());

    s1 = s;
    start = clock();
    s1.erase(std::remove_if(s1.begin(), s1.end(), [](char c) { return ispunct(c); }), s1.end());
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s1.c_str());

    s1 = s;
    start = clock();
    s1.erase(remove_if(s1.begin(), s1.end(), not1(ptr_fun( (int(*)(int))isalnum ))), s1.end());
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s1.c_str());

    s1 = s;
    start = clock();
    s1.erase(remove_if(s1.begin(), s1.end(), []( auto const& c ) -> bool { return !isalnum(c); } ), s1.end());
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s1.c_str());

    memcpy(s4, s.c_str(), SIZE);
    start = clock();
    alnum_from_libc(s4);
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s4);

    memcpy(s4, s.c_str(), SIZE);
    start = clock();
    old_school(s4);
    elapsedTime = (clock() - start);
    benchmark(elapsedTime);
    is_different |= !!strcmp(tmp.c_str(), s4);

    cout << "Original length: " << s.size() << ", current len with alnum only: " << strlen(s4) << endl;
    // make sure that strings are equivalent
    printf("\033[3%cm%s\n", ('3' + !is_different), !is_different ? "OK" : "KO");

    return 0;
}

---

我的解决方案

对于按位方法，您可以直接在我的 github上检查它，基本上我避免了分支指令（如果），这要归功于掩码。我避免使用 C++ 标签发布按位运算，我对此非常讨厌。

对于 C 风格的一种，我遍历字符串并有两个索引：n对于我们保留的字符和i遍历字符串，我们依次测试它是数字、大写还是小写。

添加此功能：

void strip_special_chars(char *s) {
    int n = 0;
    for (int i = 0; i < SIZE; i++) {
        unsigned char c = s[i] - 0x30;
        if (c < 10 || (c -= 0x11) < 26 || (c -= 0x20) < 26) // 0x30 + 0x11 = 'A' + 0x20 = 'a'
            s[n++] = s[i];
    }
    s[n] = '\0';
}

并用作：

char s1[s.size() + 1]
memcpy(s1, s.c_str(), s.size());
strip_special_chars(s1);

Answer 6

remove_copy_if标准算法非常适合您的情况。

Answer 7

#include <cctype>
#include <string>
#include <functional>

std::string s = "Hello World!";
s.erase(std::remove_if(s.begin(), s.end(),
    std::not1(std::ptr_fun(std::isalnum)), s.end()), s.end());
std::cout << s << std::endl;

结果是：

"HelloWorld"

您用于isalnum确定每个字符是否为字母数字，然后用于ptr_fun将 NOTs 返回值的函数传递给not1您，只留下您想要的字母数字内容。

Answer 8

您可以通过这种方式使用 remove-erase 算法 -

// Removes all punctuation       
s.erase( std::remove_if(s.begin(), s.end(), &ispunct), s.end());

Answer 9

下面的代码对于给定的字符串应该可以正常工作s。它正在使用<algorithm>和<locale>库。

std::string s("He!!llo  Wo,@rld! 12 453");
s.erase(std::remove_if(s.begin(), s.end(), [](char c) { return !std::isalnum(c); }), s.end());

Answer 10

提到的解决方案

s.erase( std::remove_if(s.begin(), s.end(), &std::ispunct), s.end());

非常好，但不幸的是，它不适用于 Visual Studio（调试模式）中的 'Ñ' 之类的字符，因为这行：

_ASSERTE((unsigned)(c + 1) <= 256)

在 isctype.c 中

所以，我会推荐这样的东西：

inline int my_ispunct( int ch )
{
    return std::ispunct(unsigned char(ch));
}
...
s.erase( std::remove_if(s.begin(), s.end(), &my_ispunct), s.end());

Answer 11

以下对我有用。

str.erase(std::remove_if(str.begin(), str.end(), &ispunct), str.end());
str.erase(std::remove_if(str.begin(), str.end(), &isspace), str.end());

Answer 12

void remove_spaces(string data)
{ int i=0,j=0;
    while(i<data.length())
    {
        if (isalpha(data[i]))
        {
        data[i]=data[i];
        i++;
        }
        else
            {
            data.erase(i,1);}
    }
    cout<<data;
}