Попробуйте разбить строку, но есть грязные подстроки - PullRequest
2 голосов
/ 08 октября 2019

Я пытаюсь разбить одну строку на 3-граммовые строки. Но оказывается, что полученные подстроки всегда были грязными. Длина и ввод char ** необходимы, так как я буду использовать их в качестве аргументов позже для python, вызывающего функцию.

Это функция, которую я написал.

struct strArrIntArr getSearchArr(char* input, int length) {

    struct strArrIntArr nameIndArr;
    // flag of same bit
    int same;
    // flag/index of identical strings
    int flag = 0;
    // how many identical strings
    int num = 0;
    // array of split strings
    char** nameArr = (char **)malloc(sizeof(char *) * (length - 2));
    if ( nameArr == NULL ) exit(0);
    // numbers of every split string
    int* valueArr = (int* )malloc(sizeof(int) * (length-2));
    if ( valueArr == NULL ) exit(0);

    // loop length of search string -2 times (3-gram)
    for(int i = 0; i<length-2; i++){
        if(flag==0){
            nameArr[i - num] = (char *)malloc(sizeof(char) * 3);
            if ( nameArr[i - num] == NULL ) exit(0);
            printf("----i------------%d------\n", i);
            printf("----i-num--------%d------\n", i-num);
        }
        flag = 0;
        // compare splitting string with existing split strings,
        // if a string exists, it would not be stored
        for(int k=0; k<i-num; k++){
            same = 0;
            for(int j=0; j<3; j++){
                if(input[i + j] == nameArr[k][j]){
                    same ++;
                }
            }
            // identical strings found, if all the three bits are the same
            if(same == 3){
                flag = k;
                num++;
                break;
            }
        }
        // if the current split string doesn't exist yet
        // put current split string to array
        if(flag == 0){
            for(int j=0; j<3; j++){
                nameArr[i-num][j] = input[i + j];
                valueArr[i-num] = 1;
            }
        }else{
            valueArr[flag]++;
        }
        printf("-----string----%s\n", nameArr[i-num]);
    }

    // number of N-gram strings
    nameIndArr.length = length- 2- num;
    // array of N-gram strings
    nameIndArr.charArr = nameArr;
    nameIndArr.intArr = valueArr;
    return nameIndArr;
}

Для вызова функции:

int main(int argc, const char * argv[]) {
    int length = 30;
    char* input = (char *)malloc(sizeof(char) * length);
    input = "googleapis.com.wncln.wncln.org";

    // split the search string into N-gram strings
    // and count the numbers of every split string
    struct strArrIntArr nameIndArr = getSearchArr(input, length);
}

Ниже приведен результат. Струны из 17 грязные.

----i------------0------
----i-num--------0------
-----string----goo

----i------------1------
----i-num--------1------
-----string----oog

----i------------2------
----i-num--------2------
-----string----ogl

----i------------3------
----i-num--------3------
-----string----gle

----i------------4------
----i-num--------4------
-----string----lea

----i------------5------
----i-num--------5------
-----string----eap

----i------------6------
----i-num--------6------
-----string----api

----i------------7------
----i-num--------7------
-----string----pis

----i------------8------
----i-num--------8------
-----string----is.

----i------------9------
----i-num--------9------
-----string----s.c

----i------------10------
----i-num--------10------
-----string----.co

----i------------11------
----i-num--------11------
-----string----com

----i------------12------
----i-num--------12------
-----string----om.

----i------------13------
----i-num--------13------
-----string----m.w

----i------------14------
----i-num--------14------
-----string----.wn

----i------------15------
----i-num--------15------
-----string----wnc

---i------------16------
----i-num--------16------
-----string----ncl

----i------------17------
----i-num--------17------
-----string----clnsole

----i------------18------
----i-num--------18------
-----string----ln.=C:

----i------------19------
----i-num--------19------
-----string----n.wgram 馻绚s

----i------------20------
----i-num--------20------
-----string----n.wgram 馻绚s

-----string----n.wgram 馻绚s

-----string----n.wgram 馻绚s

-----string----n.wgram 馻绚s

-----string----n.wgram 馻绚s

-----string----n.oiles(騛窑=

----i------------26------
----i-num--------21------
-----string----.orSModu鯽蓼t

----i------------27------
----i-num--------22------
-----string----org

под win10, кодовые блоки 17.12, gcc 8.1.0

Ответы [ 2 ]

2 голосов
/ 08 октября 2019

Вы усложняете себе жизнь в нескольких местах:

  • Не считайте в обратном направлении: вместо того, чтобы num считать количество дубликатов, сделайте его количеством уникальных триграфов.
  • Как можно точнее определите определения переменных в функциях. У вас есть несколько неинициализированных переменных. Вы объявили их в начале функции, но они нужны только в локальных блоках.
  • Инициализируйте, как только вы выделите. В вашем коде вы используете флаг, чтобы определить, что создавать новую строку. Код для выделения строки и ее инициализации находится в разных блоках. Эти блоки имеют тот же флаг, что и условие, но флаг обновляется между ними. Это может привести к асинхронности, даже к ошибкам при попытке инициализировать память, которая не была выделена.
  • Вероятно, лучше хранить строки и их количество в структуре. Во всяком случае, это поможет вам с сортировкой позже. Это также предлагает некоторое упрощение: вместо выделения кусков по 3 байта, сохраните массив символов из четырех байтов в структуре, чтобы все записи могли быть должным образом завершены нулем. Их не нужно выделять отдельно.

Вот альтернативная реализация:

#include <stdlib.h>
#include <stdio.h>
#include <string.h>

struct tri {
    char str[4];        // trigraph: 3 chars and NUL
    int count;          // count of occurrences
};

struct stat {
    struct tri *tri;    // list of trigraphs with counts
    int size;           // number of trigraphs
};

/*
 *      Find string 'key' in list of trigraphs. Return the index
 *      or in the array or -1 if it isn't found.
 */
int find_trigraph(const struct tri *tri, int n, const char *key)
{
    for (int i = 0; i < n; i++) {
        int j = 0;

        while (j < 3 && tri[i].str[j] == key[j]) j++;
        if (j == 3) return i;
    }

    return -1;
}

/*
 *      Create an array of trigraphs from the input string.
 */
struct stat getSearchArr(char* input, int length)
{
    int num = 0;

    struct tri *tri = malloc(sizeof(*tri) * (length - 2));

    for(int i = 0; i < length - 2; i++) {
        int index = find_trigraph(tri, num, input + i);

        if (index < 0) {
            snprintf(tri[num].str, 4, "%.3s", input + i);       // see [1]
            tri[num].count = 1;             
            num++;
        } else {
            tri[index].count++;
        }
    }


    for(int i = 0; i < num; i++) {
        printf("#%d %s: %d\n", i, tri[i].str, tri[i].count);
    }

    struct stat stat = { tri, num };

    return stat;
}

/*
 *      Driver code
 */
int main(void)
{
    char *input = "googleapis.com.wncln.wncln.org";
    int length = strlen(input);

    struct stat stat = getSearchArr(input, length);

    // ... do stuff with stat ...

    free(stat.tri);

    return 0;
}

Сноска 1: я считаю, что snprintf(str, n, "%.*s", len, str + offset) полезен для копирования подстрок: Результатне будет переполнять буфер, и он будет нулевым. Для этого действительно должна быть стандартная функция, но strcpy может переполниться, а strncpy может оставить буфер без изменений.

0 голосов
/ 08 октября 2019

Этот ответ пытается исправить существующий код вместо того, чтобы предлагать альтернативные / лучшие решения.

После исправления вывода

printf("-----string----%s\n", nameArr[i-num]);

в вопросе есть еще одна важная проблема.

Вы хотите сохранить 3 символа в nameArr[i-num] и выделить место для 3 символов. Позже вы печатаете как строку в коде, показанном выше. Для этого требуется завершающий символ '\0' после 3 символов, поэтому вам нужно выделить память для 4 символов и либо добавить '\0', либо инициализировать выделенную память с 0. Использование calloc вместо malloc автоматически инициализирует памятьна 0.

Вот измененная версия исходного кода

Я также изменил инициализацию строкового значения и его длины в main(), чтобы избежать утечки памяти.

#include <stdio.h>
#include <stdlib.h>
#include <string.h>


struct strArrIntArr {
    int length;
    char **charArr;
    int *intArr;
};

struct strArrIntArr getSearchArr(char* input, int length) {

    struct strArrIntArr nameIndArr;
    // flag of same bit
    int same;
    // flag/index of identical strings
    int flag = 0;
    // how many identical strings
    int num = 0;
    // array of split strings
    char** nameArr = (char **)malloc(sizeof(char *) * (length - 2));
    if ( nameArr == NULL ) exit(0);
    // numbers of every split string
    int* valueArr = (int* )malloc(sizeof(int) * (length-2));
    if ( valueArr == NULL ) exit(0);

    // loop length of search string -2 times (3-gram)
    for(int i = 0; i<length-2; i++){
        if(flag==0){
            nameArr[i - num] = (char *)malloc(sizeof(char) * 4);
            if ( nameArr[i - num] == NULL ) exit(0);
            printf("----i------------%d------\n", i);
            printf("----i-num--------%d------\n", i-num);
        }
        flag = 0;
        // compare splitting string with existing split strings,
        // if a string exists, it would not be stored
        for(int k=0; k<i-num; k++){
            same = 0;
            for(int j=0; j<3; j++){
                if(input[i + j] == nameArr[k][j]){
                    same ++;
                }
            }
            // identical strings found, if all the three bits are the same
            if(same == 3){
                flag = 1;
                num++;
                break;
            }
        }
        // if the current split string doesn't exist yet
        // put current split string to array
        if(flag == 0){
            for(int j=0; j<3; j++){
                nameArr[i-num][j] = input[i + j];
                valueArr[i-num] = 1;
            }
            nameArr[i-num][3] = '\0';
        }else{
            valueArr[flag]++;
        }
        printf("-----string----%s\n", nameArr[i-num]);
    }

    // number of N-gram strings
    nameIndArr.length = length- 2- num;
    // array of N-gram strings
    nameIndArr.charArr = nameArr;
    nameIndArr.intArr = valueArr;
    return nameIndArr;
}


int main(int argc, const char * argv[]) {
    int length;
    char* input = strdup("googleapis.com.wncln.wncln.org");
    length = strlen(input);

    // split the search string into N-gram strings
    // and count the numbers of every split string
    struct strArrIntArr nameIndArr = getSearchArr(input, length);
}

Этот другой ответ содержит больше улучшений, которые я лично предпочел бы вместо измененного исходного решения.

...