如何在字符串vector中提取指定格式的目标区块？

嘿，这个需求在处理半结构化文本时真的挺常见的！我通常会根据场景选两种实现方式，下面给你拆解清楚：

1. 状态机式逐行遍历（最可靠，推荐） #

这是处理这类区块提取的惯用方案，因为它能灵活应对各种边界情况（比如区块内有特殊字符、空白缩进、不完整的区块等），逻辑也直观易懂。

核心思路 #

• 维护两个状态：不在目标区块内、在目标区块内
• 遍历vector中的每一行：
  • 当不在区块时，检查当前行是否匹配你要找的目标Header（注意处理前后空白）
  • 匹配成功后切换状态，开始收集后续行内容
  • 当在区块内时，检查当前行是否是区块终止符----，如果是就停止收集
  • 否则把当前行加入结果集合

C++ 代码示例 #

#include <vector>
#include <string>
#include <algorithm>

std::vector<std::string> extract_target_block(const std::vector<std::string>& lines, const std::string& target_header) {
    std::vector<std::string> result;
    bool in_target_block = false;
    const std::string header_wrapper = "===";
    const std::string block_terminator = "----";
    const std::string expected_header = header_wrapper + target_header + header_wrapper;

    for (const auto& line : lines) {
        // 先去掉前后空白，处理缩进或多余空格的情况
        std::string trimmed_line = line;
        trimmed_line.erase(trimmed_line.begin(), std::find_if(trimmed_line.begin(), trimmed_line.end(), [](int ch) {
            return !std::isspace(ch);
        }));
        trimmed_line.erase(std::find_if(trimmed_line.rbegin(), trimmed_line.rend(), [](int ch) {
            return !std::isspace(ch);
        }).base(), trimmed_line.end());

        if (!in_target_block) {
            // 匹配目标Header行
            if (trimmed_line == expected_header) {
                in_target_block = true;
                // 如果你需要把Header行也包含在结果里，就取消下面这行注释
                // result.push_back(line);
                continue;
            }
        } else {
            // 到达区块结尾，停止收集
            if (trimmed_line == block_terminator) {
                break;
            }
            // 收集区块内容
            result.push_back(line);
        }
    }

    return result;
}

优势 #

• 完全可控：可以自定义是否包含Header行、如何处理空白、是否收集不完整的区块（比如没有终止符的情况）
• 性能友好：找到目标区块并结束后就会停止遍历，不用处理整个vector
• 鲁棒性强：不会因为区块内的特殊字符（比如正则元字符）出错

2. 正则表达式（适合简单场景） #

如果你的文本结构非常规整，目标Header里没有正则元字符（比如.、*、(等），可以用正则快速实现。

核心思路 #

• 先把整个vector拼接成一个带换行的字符串
• 用多行+DOTALL模式的正则，匹配从目标Header到----的所有内容
• 把匹配到的内容拆分成行返回

C++ 代码示例 #

#include <vector>
#include <string>
#include <regex>
#include <sstream>

std::vector<std::string> extract_target_block_regex(const std::vector<std::string>& lines, const std::string& target_header) {
    std::vector<std::string> result;
    // 拼接所有行成一个完整文本，保留换行符
    std::ostringstream oss;
    for (const auto& line : lines) {
        oss << line << '\n';
    }
    std::string full_text = oss.str();

    // 转义Header中的正则特殊字符，避免匹配出错
    std::string escaped_header = std::regex_replace(target_header, std::regex(R"([\^$.|?*+()\[\]])"), R"(\$&)");
    std::string pattern = "^===" + escaped_header + "===(.*?)^----$";
    // 开启多行模式（^/$匹配行首行尾）和DOTALL模式（.匹配换行符）
    std::regex re(pattern, std::regex_constants::multiline | std::regex_constants::dotall);

    std::smatch match;
    if (std::regex_search(full_text, match, re)) {
        // 把匹配到的内容拆分成行
        std::istringstream iss(match[1].str());
        std::string line;
        while (std::getline(iss, line)) {
            result.push_back(line);
        }
    }

    return result;
}

注意事项 #

• 一定要转义Header中的正则元字符，否则会出现意外匹配
• 如果区块内有----的行，正则会提前终止匹配，导致结果不完整
• 不适合处理有复杂缩进或空白的文本

总结 #

• 优先用逐行遍历的状态机方案，大部分生产环境的场景都适用
• 正则只适合简单、规整的文本结构

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