Java 解析化学式

我正在尝试为一个应用程序编写一个方法，该应用程序采用“CH3COOH”这样的化学公式，并返回一些充满符号的集合

CH3COOH将返回[C，H，H，C，O，O，H]

我已经有了一些可以工作的东西，但是它非常复杂，使用了大量的代码和嵌套的if-else结构和循环

---

有没有一种方法可以通过使用某种正则表达式和String.split或其他一些优秀的简单代码来实现这一点？

假设它正确大写，等式中的每个符号都与此正则表达式匹配：

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

（对于受到化学挑战的元素，元素的符号始终是大写字母，后跟可选的小写字母1或可能是小写字母2，例如汞代表汞）

您可以按如下方式分组捕获元素符号和数字：

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

---

是的，从理论上讲，正则表达式可以帮助解决这个问题。如果你在处理C6H2（NO2）3（CH3）3这样的公式，那么你的工作当然会有点困难…

如果你只需要处理简单的情况，使用正则表达式的解决方案是最好的方法。否则，您需要构建类似的内容，并对其进行评估或使用

例如，TNT公式

C6H2（NO2）3CH3

应如下所示：

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

---

你有没有考虑过用英语表达你的化学式？它的用途非常广泛，有很多工具/查看器可以在2D到3D中渲染这些化学公式或化合物。

我正在开发一个程序，需要计算化学公式的摩尔质量，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）2MnO4”将导致“16C 48H 2Tc 12H 6O 2C 2O 4Br 12Fe 12Re 12Cl 8S 32O Mn 4O”（这种化合物是合成的，但它是有效的！）

这段代码是用C#编写的，所以我没有发布它。如果你感兴趣，我可以帮你贴。在注意到java标记之前，我实际上写了一个完整的答案

无论如何，它的工作原理基本上是递归地将括号匹配的原子块分组。它不处理系数如2Pb（但（Pb）2或Pb2起作用）或带电化合物如OH-

它一点也不简单也不优雅。我确实想要一个有效的解决方案，所以我知道有更好的方法（我甚至从未尝试过正则表达式！）。但它和我需要的公式一起工作，也许它也适合你的

下面是一些我运行它的测试用例。看看它们，让我知道C代码是否仍然对您有用。格式为（输入，预期输出）

---

我已经写了两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

最近一次是我在PyCon2010上的演示文稿“”，其中我使用分子式计算器作为示例问题比较了这两个Python解析系统。甚至还有一个

该演示基于我使用ANTLR开发的分子式解析器。在本文中，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解决方案最初是在一个基于Python编写解析器的两种方法的开发环境中开发的

regexp解决方案和基本ANTLR/PLY/PyParsing解决方案使用类似于[a-Z][a-Z]？\d*的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（它的硬编码使用乙酸，CH3COOH）我得到

请注意，这段代码假设分子式是正确的。如果您给它类似“#$%^O2#$$#”的值，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，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关于树数据结构的知识，特别是（正如@Roman指出的）抽象语法树（通常称为AST）。这太复杂了，无法在这里进行讨论，因此请参阅我的演讲和文章了解更多细节。

我不是化学方面的专家，但我记得，可能会出现更复杂的结构，如（NH4）2SO4，它应该被翻译为[N，N，H，H，H，H，H，s，O，O，O，O，O]。我还记得，那个复杂的化合物看起来很复杂。你应该编写程序来处理这些情况吗？如果你能说出你到底是如何解决这个问题的，以及你试图避免的是什么，那会更有帮助。我有所有其他的代码，我只是想找到一种方法把公式分解成更小的部分。我希望它能够处理多个Parentese层中的嵌套公式。这并不容易：）我已经提供了一个关于另一个问题的优秀解析器的概要：是的，确切地说，我很难处理这些括号。但我可能会将它们分开，在内部运行相同的方法。是的，你必须以某种方式有效地“增加括号”并递归工作。+1用于识别我的TNT公式；遗憾的是，我不能为解决方案提供您应得的+1。H3的最后一个“+”运算符是否应该是“*”运算符？在Wikipedia中，它提到了JUMBO，一个可以处理CML的java库。听起来这比你自己开发一种没有人使用的小型化学表达语言要好。CML在这方面做得太过火了。首先，CML不使用分子公式，而是使用分子图，因此最初的海报需要一个分子公式解析器，以便首先生成CML。这听起来很棒！我在寻找一个不太神秘的解决方案。你能给你的代码贴个链接吗？

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

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