从 C# 中的字符串解析化学式？

Question

我正在尝试解析化学式（格式例如：Al2O3 或 O3 或 C 或 C11H22O12) 在 C# 中来自字符串。除非某一特定元素只有一个原子（例如H2O 中的氧原子），否则它可以正常工作。我该如何解决这个问题，此外，是否有比我现在更好的方法来解析化学公式字符串？

ChemicalElement 是表示化学元素的类。它具有属性 AtomicNumber (int)、Name (string)、Symbol (string)。 ChemicalFormulaComponent 是表示化学元素和原子数（例如公式的一部分）的类。它具有属性 Element (ChemicalElement)、AtomCount (int)。

其余的应该足够清楚地理解（我希望），但如果我可以澄清任何事情，请在回答之前告诉我。

这是我当前的代码：

    /// <summary>
    /// Parses a chemical formula from a string.
    /// </summary>
    /// <param name="chemicalFormula">The string to parse.</param>
    /// <exception cref="FormatException">The chemical formula was in an invalid format.</exception>
    public static Collection<ChemicalFormulaComponent> FormulaFromString(string chemicalFormula)
    {
        Collection<ChemicalFormulaComponent> formula = new Collection<ChemicalFormulaComponent>();

        string nameBuffer = string.Empty;
        int countBuffer = 0;

        for (int i = 0; i < chemicalFormula.Length; i++)
        {
            char c = chemicalFormula[i];

            if (!char.IsLetterOrDigit(c) || !char.IsUpper(chemicalFormula, 0))
            {
                throw new FormatException("Input string was in an incorrect format.");
            }
            else if (char.IsUpper(c))
            {
                // Add the chemical element and its atom count
                if (countBuffer > 0)
                {
                    formula.Add(new ChemicalFormulaComponent(ChemicalElement.ElementFromSymbol(nameBuffer), countBuffer));

                    // Reset
                    nameBuffer = string.Empty;
                    countBuffer = 0;
                }

                nameBuffer += c;
            }
            else if (char.IsLower(c))
            {
                nameBuffer += c;
            }
            else if (char.IsDigit(c))
            {
                if (countBuffer == 0)
                {
                    countBuffer = c - '0';
                }
                else
                {
                    countBuffer = (countBuffer * 10) + (c - '0');
                }
            }
        }

        return formula;
    }

Answer 1

我使用正则表达式重写了你的解析器。正则表达式非常适合您正在做的事情。希望这有帮助。

public static void Main(string[] args)
{
    var testCases = new List<string>
    {
        "C11H22O12",
        "Al2O3",
        "O3",
        "C",
        "H2O"
    };

    foreach (string testCase in testCases)
    {
        Console.WriteLine("Testing {0}", testCase);

        var formula = FormulaFromString(testCase);

        foreach (var element in formula)
        {
            Console.WriteLine("{0} : {1}", element.Element, element.Count);
        }
        Console.WriteLine();
    }

    /* Produced the following output

    Testing C11H22O12
    C : 11
    H : 22
    O : 12

    Testing Al2O3
    Al : 2
    O : 3

    Testing O3
    O : 3

    Testing C
    C : 1

    Testing H2O
    H : 2
    O : 1
        */
}

private static Collection<ChemicalFormulaComponent> FormulaFromString(string chemicalFormula)
{
    Collection<ChemicalFormulaComponent> formula = new Collection<ChemicalFormulaComponent>();
    string elementRegex = "([A-Z][a-z]*)([0-9]*)";
    string validateRegex = "^(" + elementRegex + ")+$";

    if (!Regex.IsMatch(chemicalFormula, validateRegex))
        throw new FormatException("Input string was in an incorrect format.");

    foreach (Match match in Regex.Matches(chemicalFormula, elementRegex))
    {
        string name = match.Groups[1].Value;

        int count =
            match.Groups[2].Value != "" ?
            int.Parse(match.Groups[2].Value) :
            1;

        formula.Add(new ChemicalFormulaComponent(ChemicalElement.ElementFromSymbol(name), count));
    }

    return formula;
}

Answer 2

您的方法的问题在于：

            // Add the chemical element and its atom count
            if (countBuffer > 0)

当您没有数字时，计数缓冲区将为 0，我认为这会起作用

            // Add the chemical element and its atom count
            if (countBuffer > 0 || nameBuffer != String.Empty)

对于 HO2 或类似的公式，这将起作用。
我相信您的方法永远不会将化学式的 las 元素插入到 formula 集合中。

在返回结果之前，您应该将缓冲区的最后一个元素添加到集合中，如下所示：

    formula.Add(new ChemicalFormulaComponent(ChemicalElement.ElementFromSymbol(nameBuffer), countBuffer));

    return formula;
}

Answer 3

首先：我没有在 .net 中使用过解析器生成器，但我很确定您可以找到合适的东西。这将使您能够以更易读的形式编写化学式的语法。例如，请参阅这个问题作为第一次开始。

如果您想保留您的方法：是否有可能不添加最后一个元素，无论它是否有数字？您可能希望使用 i<=chemicalFormula.Length 运行循环，并且在 i==chemicalFormula.Length 的情况下还将您所拥有的内容添加到公式中。然后，您还必须删除 if (countBuffer > 0) 条件，因为 countBuffer 实际上可能为零！

Answer 4

正则表达式应该可以很好地处理简单的公式，如果您想拆分类似的内容：

(Zn2(Ca(BrO4))K(Pb)2Rb)3

使用解析器可能会更容易（因为复合嵌套）。任何解析器都应该能够处理它。

几天前我发现了这个问题，我认为这将是一个很好的例子，如何为解析器编写语法，因此我将简单的化学公式语法包含在我的 NLT 套件。 关键规则是 -- 对于词法分析器：

"(" -> LPAREN;
")" -> RPAREN;

/[0-9]+/ -> NUM, Convert.ToInt32($text);
/[A-Z][a-z]*/ -> ATOM;

和对于解析器：

comp -> e:elem { e };

elem -> LPAREN e:elem RPAREN n:NUM? { new Element(e,$(n : 1)) }
      | e:elem++ { new Element(e,1) }
      | a:ATOM n:NUM? { new Element(a,$(n : 1)) }
      ;