C++读取.arff文件有效数据行到结构体的实现疑问

我来帮你搞定这个ARFF文件读取的问题！之前的实现没达到预期，大概率是跳过无关行的判断逻辑有漏洞，或者没正确遵循ARFF文件的结构规则。先理清楚ARFF的核心结构：

• 注释行：以%开头（可能前后带空白）
• 元数据行：以@开头（比如@relation、@attribute），直到@data行之后才是有效数据
• 空行：包括全空白字符的行，都需要跳过

下面是完整的实现思路和代码示例（以C++为例，适配你的string类型结构体需求）：

1. 定义目标结构体 #

首先定义存储数据的结构体，对应每行5个字符串项：

#include <string>
struct ArffData {
    std::string item1;
    std::string item2;
    std::string item3;
    std::string item4;
    std::string item5;
};

2. 核心读取逻辑 #

关键是精准过滤无关行，并正确分割有效数据项：

#include <iostream>
#include <fstream>
#include <vector>
#include <sstream>
#include <algorithm>
#include <cctype>

// 辅助函数：去除字符串前后的空白字符（空格、制表符等）
std::string trim(const std::string& s) {
    auto start = s.begin();
    while (start != s.end() && std::isspace(static_cast<unsigned char>(*start))) {
        start++;
    }
    auto end = s.end();
    do {
        end--;
    } while (std::distance(start, end) > 0 && std::isspace(static_cast<unsigned char>(*end)));
    return std::string(start, end + 1);
}

std::vector<ArffData> readArffValidData(const std::string& filename) {
    std::vector<ArffData> dataCollection;
    std::ifstream arffFile(filename);

    if (!arffFile.is_open()) {
        std::cerr << "Error: 无法打开文件 " << filename << std::endl;
        return dataCollection;
    }

    std::string line;
    bool isInDataSection = false; // 标记是否进入@data之后的有效数据段

    while (std::getline(arffFile, line)) {
        std::string trimmedLine = trim(line);

        // 规则1：跳过空行（trim后为空的行）
        if (trimmedLine.empty()) {
            continue;
        }

        // 规则2：跳过注释行（trim后以%开头）
        if (trimmedLine.front() == '%') {
            continue;
        }

        // 规则3：处理元数据行，找到@data后开启数据读取
        if (trimmedLine.substr(0, 5) == "@data") {
            isInDataSection = true;
            continue;
        }

        // 规则4：未进入数据段时，跳过所有@开头的元数据行
        if (!isInDataSection && trimmedLine.front() == '@') {
            continue;
        }

        // 现在处理有效数据行
        if (isInDataSection) {
            std::stringstream lineStream(trimmedLine);
            std::string item;
            ArffData currentData;
            int itemIndex = 0;

            // 按逗号分割数据项（ARFF默认用逗号分隔）
            while (std::getline(lineStream, item, ',') && itemIndex < 5) {
                std::string trimmedItem = trim(item);
                switch (itemIndex) {
                    case 0: currentData.item1 = trimmedItem; break;
                    case 1: currentData.item2 = trimmedItem; break;
                    case 2: currentData.item3 = trimmedItem; break;
                    case 3: currentData.item4 = trimmedItem; break;
                    case 4: currentData.item5 = trimmedItem; break;
                }
                itemIndex++;
            }

            // 确保读取到完整的5个数据项，再加入结果集合
            if (itemIndex == 5) {
                dataCollection.push_back(currentData);
            } else {
                std::cerr << "Warning: 数据行格式错误，已跳过：" << line << std::endl;
            }
        }
    }

    arffFile.close();
    return dataCollection;
}

3. 关键细节解释 #

• trim函数：解决了行或数据项前后带空白的问题，避免因为" % 注释"或" male "这类格式导致的判断/存储错误
• isInDataSection标记：严格遵循ARFF规范，只有在@data行之后才开始读取有效数据，避免把@relation、@attribute等元数据行误判为有效数据
• 数据分割与校验：按逗号分割后，检查是否读取到5个数据项，过滤格式错误的行

4. 你之前可能踩的坑 #

• 没有处理行前后的空白：比如行开头有空格，直接判断line.front()会拿到空格，导致无法识别注释/元数据行
• 没有等待@data行就开始读取：ARFF文件的有效数据一定在@data之后，之前的所有@开头行都是元数据
• 空行判断只检查line.empty()：全是空格的行不会被判定为空，必须trim后再判断
• 数据项没有去空白：导致存储的字符串带多余空格，影响后续使用

内容的提问来源于stack exchange，提问作者PushedCrayon