解析化学式

Question

我正在尝试为应用程序编写一种方法，该应用程序采用“CH3COOH”等化学公式并返回某种充满其符号的集合。

CH3COOH 将返回 [C,H,H,H,C,O,O,H]

我已经有了一些可以工作的东西，但它非常复杂，并且使用了大量带有大量嵌套 if-else 结构和循环的代码。

有没有办法通过使用 String.split 的某种正则表达式或在其他一些出色的简单代码中来做到这一点？

Answer 1

我编写了一系列关于如何解析分子式的文章，包括更复杂的公式，例如 C6H2(NO2)3CH3 。

最近的是我在 PyCon2010 上的演讲“PLY 和 PyParsing”，其中我使用分子式计算器作为示例问题来比较这两个 Python 解析系统。甚至还有我的演示视频。

该演示文稿基于由三部分组成的系列文章< /a> 我确实使用 ANTLR 开发了一个分子式解析器。在第3部分中，我将 ANTLR 解决方案与手写的正则表达式解析器以及 PLY 和 PyParsing 中的解决方案。

regexp 和 PLY 解决方案最初是在两部分系列中针对两种编写方式开发的Python 中的解析器。

regexp 解决方案和基本 ANTLR/PLY/PyParsing 解决方案使用 [AZ][az]?\d* 等正则表达式来匹配公式中的术语。这就是@David M 的建议。

这是用 Python 计算出来的

import re

# element_name is: capital letter followed by optional lower-case
# count is: empty string (so the count is 1), or a set of digits
element_pat = re.compile("([A-Z][a-z]?)(\d*)")

all_elements = []
for (element_name, count) in element_pat.findall("CH3COOH"):
    if count == "":
        count = 1
    else:
        count = int(count)
    all_elements.extend([element_name] * count)

print all_elements

当我运行这个程序时（它是硬编码的以使用乙酸，CH3COOH），我得到

['C', 'H', 'H', 'H', 'C', 'O', 'O', 'H']

请注意，这段简短的代码假设分子式是正确的。如果你给它类似“##$%^O2#$$#”的东西，那么它会忽略它不知道的字段并给出['O'，'O']。如果你不想这样，那么你就必须让它变得更强大一些。

如果您想支持更复杂的公式，例如 C6H2(NO2)3CH3，那么您需要了解一些有关树数据结构的知识，特别是（正如@Roman 指出的）抽象语法树（通常称为 AST）。这太复杂了，无法在这里展开，所以请参阅我的演讲和文章以了解更多详细信息。

Answer 2

假设它的大写正确，等式中的每个符号都与此正则表达式匹配：（

[A-Z][a-z]*\d*

对于化学挑战，元素的符号始终为大写字母，后跟可选的小写字母一或可能的两个 - 例如，Hg 代表汞）

您可以捕获元素符号以及像这样分组的数字：

([A-Z][a-z]*)(\d*)

所以是的，理论上这将是正则表达式可以帮助解决的问题。如果您正在处理类似 C₆H₂(NO₂)₃(CH ₃)₃ 那么你的工作当然会更难一点......

Answer 3

如果您只需要处理简单的情况，则使用正则表达式的解决方案是最好的方法。否则，您需要构建诸如 抽象语法树 之类的内容并对其进行评估或使用 波兰语表示法。

例如，TNT 公式 C6H2(NO2)3CH3 应表示为：

(+ (* C 6) (* H 2) (* (+ N (* O 2)) 3) C (+ H 3))

Answer 4

您是否考虑过用化学标记语言来表达化学式？它的用途非常广泛，有很多工具/查看器可以将这些化学公式或化合物以 2D 转换为 3D。

Answer 5

我正在开发一个需要计算化学式摩尔质量的程序，因此我创建了一个适用于各种公式的解决方案。

例如，“(CH3)16(Tc(H2O)3CO(BrFe3(ReCl)3(SO4)2)2)2MnO4”将生成“ 16C 48H 2Tc 12H 6O 2C 2O 4Br 12Fe 12Re 12Cl 8S 32O Mn 4O”（这个化合物是组成的，但是嘿，它有效！）

这段代码是用 C# 编写的，所以这就是我没有发布它的原因。如果您有兴趣我可以为您发布。在注意到 java 标签之前，我实际上已经写出了完整的答案。

不管怎样，它的工作原理基本上是递归地对由括号匹配的原子块进行分组。它不处理 2Pb 等系数（但 (Pb)2 或 Pb2 可以工作）或 OH- 等带电化合物。

它一点也不简单或优雅。我确实想要一个可行的解决方案，所以我知道有更好的方法（我什至从未尝试过正则表达式！）。但它适用于我需要的公式，也许它也适合你的。

这是我运行它的一些测试用例。查看它们并告诉我 C# 代码是否仍然对您有用。格式为（输入，预期输出）

        ("Pb ", " Pb"); 
        ("H ", " H"); 
        ("Pb2 ", " 2Pb"); 
        ("H2 ", " 2H");             
        ("3Pb2 ", " 6Pb");
        ("Pb2SO4", " 2Pb S 4O");                                     
        ("PbH2 ", " Pb 2H");            
        ("(PbH2)2 ", " 2Pb 4H");
        ("(CCC)2 ", " 2C 2C 2C");
        ("Pb(H2)2 ", " Pb 4H");            
        ("(Pb(H2)2)2 ", " 2Pb 8H"); 
        ("(Pb(H2)2)2NO3 ", " 2Pb 8H N 3O"); 
        ("(Ag(Pb(H2)2)2)2SO4 ", " 2Ag 4Pb 16H S 4O");             
        ("Pb(CH3(CH2)2CH3)2", " Pb 2C 6H 4C 8H 2C 6H"); 
        ("Na2(CH3(CH2)2CH3)2", " 2Na 2C 6H 4C 8H 2C 6H");
        ("Tc(H2O)3Fe3(SO4)2", " Tc 6H 3O 3Fe 2S 8O");
        ("Tc(H2O)3(Fe3(SO4)2)2", " Tc 6H 3O 6Fe 4S 16O");
        ("(Tc(H2O)3(Fe3(SO4)2)2)2", " 2Tc 12H 6O 12Fe 8S 32O");
        ("(Tc(H2O)3CO(Fe3(SO4)2)2)2", " 2Tc 12H 6O 2C 2O 12Fe 8S 32O");
        ("(Tc(H2O)3CO(BrFe3(ReCl)3(SO4)2)2)2MnO4", " 2Tc 12H 6O 2C 2O 4Br 12Fe 12Re 12Cl 8S 32O Mn 4O");
        ("(CH3)16(Tc(H2O)3CO(BrFe3(ReCl)3(SO4)2)2)2MnO4", " 16C 48H 2Tc 12H 6O 2C 2O 4Br 12Fe 12Re 12Cl 8S 32O Mn 4O");