如何建立字符串预处理前后的位置映射以匹配原始串报错位置

核心原则：不要等预处理完成后再通过字符串匹配反推位置，所有增删改操作执行时同步维护位置映射表，是准确率最高、实现成本最低的方案，完全可以覆盖替换、插入、删除等所有会改变字符串长度的预处理场景。

具体实现步骤 #

• 初始化基础结构
  拿到原始UTF-8字符串后，先做两个初始化：
  1. 生成和原始字符串等长的位置映射数组，初始状态下map[i] = i，代表当前字符串第i位对应原始字符串的第i位偏移（偏移从0开始按Unicode码位计数，不要按字节计数，避免多字节UTF-8字符导致偏移错误）。
  2. 预先生成原始字符串的「偏移量→(行号,列号)」索引，行号建议从1开始计数，符合普通用户查看文本的习惯，后续报错时可以直接把偏移转成用户看得懂的行列坐标。
• 预处理操作同步更新映射表
  每执行一次增/删/改操作，在修改当前处理的字符串内容的同时，同步修改映射数组：
  • 如果是短内容替换成长内容（比如把单个\t制表符替换为4个空格）：替换区间对应的原映射值取区间第一个字符的原始偏移，替换后的N个新字符，全部映射到这个原始偏移即可。
  • 如果是长内容替换成短内容（比如把2个字符的\r\n换行替换成1个\n，或者删除冗余空白、注释）：替换后保留的新字符，映射到原替换区间第一个字符的原始偏移，删掉被移除字符对应的映射条目即可。
  • 如果是等长替换（比如把全角标点换成半角）：映射数组不需要改动，直接替换字符内容就行。
• 报错位置换算
  后续语法解析、校验逻辑全在预处理后的字符串上执行，拿到报错的位置X后，直接查映射数组取map[X]得到原始偏移，再用提前生成的行列索引转成「第M行第K列」的提示信息即可，用户点报错位置就能直接跳转到原始文件的对应位置。

避坑说明 #

• 不要事后用字符串匹配反推位置：如果预处理过程存在多对一替换（比如多种不同的空白字符统一替换为空格）、重复文本片段，匹配时很容易定位到错误的位置，长文本场景下错配概率极高。
• 多步预处理不需要每次都回溯原始字符串：每一步预处理都基于上一步输出的字符串和映射表更新即可，逻辑复杂度会低很多，不会出现累计误差。
• 处理UTF-8字符时务必按Unicode码位计数，不要按字节数计数，否则遇到中文、emoji等多字节字符时偏移量会直接算错。

极简参考实现 #

class MappedPreprocessor:
    def __init__(self, raw_text: str):
        self.raw = raw_text
        self.current_buf = list(raw_text)
        # 初始化位置映射
        self.pos_map = list(range(len(raw_text)))
        # 预生成原始偏移到行列的映射
        self.offset_to_linecol = []
        line, col = 1, 1
        for c in raw_text:
            self.offset_to_linecol.append((line, col))
            if c == '\n':
                line += 1
                col = 1
            else:
                col += 1

    def replace(self, start: int, end: int, new_content: str = ""):
        """将当前缓冲区[start, end)区间的内容替换为new_content"""
        # 更新文本缓冲区
        self.current_buf[start:end] = list(new_content)
        # 取替换区间起始位置对应的原始偏移，作为新内容的映射值
        raw_pos = self.pos_map[start] if start < len(self.pos_map) else (self.pos_map[-1] if self.pos_map else 0)
        # 同步更新映射表
        self.pos_map[start:end] = [raw_pos] * len(new_content)

    def get_raw_location(self, current_pos: int):
        """输入处理后字符串的偏移，返回原始文本的(行号, 列号, 原始偏移)"""
        # 位置越界时兜底取最后一个有效位置
        if current_pos >= len(self.pos_map):
            current_pos = len(self.pos_map) - 1 if self.pos_map else 0
        raw_offset = self.pos_map[current_pos]
        line, col = self.offset_to_linecol[raw_offset]
        return line, col, raw_offset

使用时只需要在每一步预处理操作时调用replace方法即可，比如替换\r\n为\n时，遍历到对应位置调用replace(p, p+2, '\n')，删除行尾空格时把空格区间传入替换为空字符串即可，所有预处理完成后，拿到报错位置直接调用get_raw_location就能得到原始文本的准确坐标。

内容的提问来源于stack exchange，提问作者user64675