解析化学公式

Question

我正在尝试为一个应用程序编写一个方法，它接受一个像"CH3COOH“这样的化学公式，并返回某种充满符号的集合。

CH3COOH将返回C、H、C、O、O、H

我已经有了一些可以正常工作的东西，但是它非常复杂，并且使用了大量的代码和很多嵌套的if-else结构和循环。

有没有一种方法，我可以通过在String.split中使用某种正则表达式，或者在其他一些优秀的简单代码中实现这一点？

Answer 1

我已经开发了几篇关于如何解析分子式的系列文章，包括更复杂的公式，如C6H2(NO2)3CH3。

最近的一次是我在PyCon2010上的演讲"PLY and PyParsing“，我使用一个分子式计算器作为我的样本问题来比较这两个Python解析系统。甚至还有一个video of my presentation。

该演示文稿基于我使用ANTLR语言开发的分子式解析器的three-part series of articles。在part 3中，我将ANTLR解决方案与手工编写的正则表达式解析器以及PLY和PyParsing中的解决方案进行了比较。

regexp和PLY解决方案最初是在two-part series中开发的，使用Python语言编写解析器的两种方式。

regexp解决方案和基本ANTLR/PLY/PyParsing解决方案使用A-Z?\d*这样的正则表达式来匹配公式中的项。这是@David M建议的。

这是用Python编写的

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

当我运行这段代码(使用醋酸是硬编码的，CH3COOH)时，我得到

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

请注意，这一小段代码假定分子式是正确的。如果你给它一些像"##$%^O2#$$#“这样的东西，那么它将忽略它不知道的字段，并给出'O'，'O‘。如果你不想这样做，那么你必须让它更健壮一点。

如果您想支持更复杂的公式，比如C6H2(NO2)3CH3，那么您需要了解一些树数据结构，特别是(正如@Roman指出的)抽象语法树(通常称为ASTs)。这太复杂了，无法进入这里，所以请参阅我的演讲和文章以了解更多细节。

Answer 2

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，您需要构建像Abstract Syntax Tree这样的东西并对其进行评估，或者使用Polish Notation。

例如，TNT公式C6H2(NO2)3CH3应如下所示：

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

Answer 3

你有没有考虑过用Chemical Markup Language来表达你的化学公式？它非常多才多艺，有很多工具/查看器可以在2D到3D中呈现这些化学聚集或化合物。