问题标签 [text-parsing]

挑战

这是挑战（我自己的发明，但如果它以前出现在网络上的其他地方，我不会感到惊讶）。

编写一个函数，该函数接受单个参数，该参数是简单数学表达式的字符串表示形式，并将其计算为浮点值。“简单表达式”可以包括以下任何一种：正数或负数十进制数、+、-、*、/、(、、)。表达式使用（正常）中缀表示法。运算符应该按照它们出现的顺序进行评估，即不像在 BODMAS中那样，当然应该正确地观察括号。该函数应该为任何返回正确的结果这种形式的可能表达。但是，该函数不必处理格式错误的表达式（即语法错误的表达式）。

表达式示例：

规则

我预计这里会有某种形式的“作弊”/狡猾，所以请让我提前警告！通过作弊，我指的是eval在动态语言（如 JavaScript 或 PHP）中使用或等效函数，或者同样在运行中编译和执行代码。（我认为我对“无 BODMAS”的规范几乎可以保证这一点。）除此之外，没有任何限制。我预计这里会有一些正则表达式解决方案，但很高兴看到更多。

现在，我主要对这里的 C#/.NET 解决方案感兴趣，但任何其他语言也完全可以接受（特别是用于功能/混合方法的 F# 和 Python）。我还没有决定是否接受最短或最巧妙的解决方案（至少对于语言）作为答案，但我欢迎任何语言的任何形式的解决方案，除了我刚刚在上面禁止的！

我的解决方案

我现在在这里发布了我的 C# 解决方案（403 个字符）。更新： 在一些可爱的正则表达式的帮助下，我的新解决方案在294 chars上明显击败了旧解决方案！我怀疑这很容易被一些语法较轻的语言（特别是功能/动态语言）击败，并且已被证明是正确的，但我很好奇是否有人仍然可以在 C# 中击败它。

更新

我已经看到了一些非常狡猾的解决方案。感谢所有发布过的人。尽管我还没有测试过它们中的任何一个，但我会相信人们并假设他们至少可以使用所有给定的示例。

只是为了说明，重入（即线程安全）不是该功能的要求，尽管它是一个奖励。

格式

为了便于比较，请按以下格式发布所有答案：

语言

字符数：???

完全混淆的功能：

清除/半混淆功能：

关于它所采用的算法/聪明快捷方式的任何注释。

我有一个特定模式的很长的字符串，例如：

等等。这种模式重复。

我需要找到一种方法来处理这个字符串，这样我就有了 , 等的值userAccountName:（userCompany:即最好是关联数组或一些这样方便的格式）。

有没有一种简单的方法可以做到这一点，还是我必须编写自己的逻辑来将此字符串拆分为不同的部分？

问题：有没有一种聪明的方法可以将纯文本列表解析为 HTML？

或者，我们必须求助于深奥的递归方法，还是纯粹的蛮力？

我一直在想这个有一段时间了。在我自己的沉思中，我一次又一次地回到蛮力和奇怪的递归方法……但它似乎总是那么笨拙。应该有更好的方法吧？

那么聪明的方法是什么？

假设

有必要设置一个场景，所以这些是我的假设。

1. 列表可以嵌套 3 层深（至少），无序或有序列表。列表类型和深度由其前缀控制：

   1. 前缀后面有一个必填空格。
   2. 列表深度由前缀中有多少非空格字符控制；*****将嵌套五个列表深。
   3. 列表类型由字符类型强制执行，*或者-为无序列表，#为无序列表。

2. 项目仅由 1 个\n字符分隔。（让我们假设两个连续的换行符符合一个“组”、一个段落、div 或其他一些 HTML 标记，如 Markdown 或 Textile。）

3. 列表类型可以自由混合。

4. 输出应为有效的 HTML 4，最好以</li>s结尾

5. 可以根据需要使用或不使用 Regex 进行解析。

示例标记

期望的输出

为便于阅读而进行了一些分解，但它应该是一个有效的变体（请记住，我只是很好地间隔了它！）：

总之

你是怎么做到的？我真的很想了解处理不可预测的递归列表的好方法，因为它让我觉得任何人都可以纠缠不清。

我已经用 PHP 为自己制定了这个解决方案，但我很好奇它可以如何以不同的方式完成——甚至更好。我主要感兴趣的两种语言是 PHP 和 Javascript，但我很想看看在今天的任何其他主要语言（主要是 C#、Java 等）中这可以多快完成。

1. 仅返回出现次数大于 X 的单词
2. 仅返回长度大于 Y 的单词
3. 忽略常见的术语，如“and, is, the, etc”
4. 在处理之前随意去除标点符号（即“John's”变成“John”）
5. 在集合/数组中返回结果

额外学分

1. 将引用的陈述放在一起，（即“他们显然‘好得令人难以置信’”）
   其中“好得令人难以置信”将是实际陈述

额外的额外学分

1. 您的脚本能否根据单词出现的频率确定应该放在一起的单词？这是在事先不知道单词的情况下完成的。例子：

   *“果蝇在医学研究方面是一件了不起的事情。过去对果蝇进行了很多研究，并带来了许多突破。未来，果蝇将继续研究，但我们的方法可能会改变。"*

   显然这里的词是“果蝇”，我们很容易找到。您的 search'n'scrape 脚本也可以确定这一点吗？

原文：http ://sampsonresume.com/labs/c.txt

答案格式

1. 很高兴看到您的代码结果、输出以及操作持续了多长时间。

我有一个项目，我需要将多章文档与第二个文档进行比较以确定它们的相似性。问题是我不知道如何去做，存在哪些方法，或者它们是否有任何可用的库。

我的第一个问题是......什么是相似的？匹配的单词数，匹配的连续单词数？

我可以看到编写一个解析器，将每个文档放入包含单词和位置的数组中，然后比较它们。

我在 Algorithms or libraries for text analysis 看到了较早的问题 ，具体来说：主要词、跨文本的短语和文本集合

但是，这似乎与我尝试做的有些不同。

人们可能拥有的任何选项或指示都会很棒！

我正在尝试创建一个在博客文章上运行良好的通用 HTML 解析器。我想将我的解析器指向特定条目的 URL 并取回帖子本身的干净文本。我的基本方法（来自 python）是使用 BeautifulSoup / Urllib2 的组合，这没关系，但它假设您知道博客条目的正确标签。有没有人有更好的想法？

这里有一些想法，也许有人可以扩展，我还没有足够的知识/诀窍来实施。

1. unix 程序“lynx”似乎特别擅长解析博客文章——他们使用什么解析器，或者如何使用它？

2. 是否有任何服务/解析器可以自动删除垃圾广告等？

3. 在这种情况下，我有一个模糊的概念，即博客文章通常包含在具有 class="entry" 或类似内容的某个定义标签中可能是一个可以接受的假设。因此，有可能创建一个算法来找到它们之间具有最干净文本的封闭标签 - 对此有什么想法吗？

谢谢！

我在问与此相同的问题：如何使用 Perl 解析相对日期？但在 C# 中。

对不起，如果这是重复的，如果是这样，请删除。

有这样的图书馆吗？

谢谢

我需要在不同的数组中获取公司名称及其股票代码。这是我存储在 txt 文件中的数据：

等等

我将如何使用正则表达式或其他一些技术来做到这一点？

我在 ASCII 文本文件中有需要解析的行。列由可变数量的空格分隔，例如：

我将如何拆分这条线以返回仅包含值的数组？

谢谢

我需要一个可移植函数/子程序来定位字符串中最后一个非空白字符的位置。我找到了两个选项： LEN_TRIM和LNBLNK. 但是，不同的编译器似乎有不同的标准。以下编译器的官方文档表明 LEN_TRIM 是以下平台上 Fortran 95 标准的一部分：

• IBM： LEN_TRIM
• 英特尔：LNBLNK和LEN_TRIM
• gfortran：LNBLNK和LEN_TRIM
• PGI：LEN_TRIM

但是，在 F95 标准之前发布的编译器似乎没有任何保证。 我的经验是，较旧的编译器可能会指定一个LEN_TRIM或LNBLNK，但不一定同时指定两者。我的解决方案是使用预处理器条件：

然后传递-DUSE_LEN_TRIM给预处理器。但是，我不是预处理器条件和额外编译时标志的忠实粉丝。 您对定位字符串中最后一个非空白字符的位置的可移植（在 Fortran 95 标准之前）函数有什么建议吗？