不能直接用正则解析 Markdown，因其嵌套结构和跨行元素导致回溯失控；需按行状态驱动词法分析，先分类块级类型（如标题、代码块、引用块），行内格式延迟至渲染时处理，并用 LexerState 管理上下文状态。
为什么不能直接用正则解析 Markdown
正则表达式在遇到嵌套结构（比如 **加粗里有*斜体*）或跨行元素（如代码块、引用块）时会迅速失控。很多初学者试图用一两个 std::regex 匹配所有 ## 标题 或 `inline code`，结果要么漏匹配，要么过度回溯导致卡死。Markdown 本质是上下文相关语言，词法分析必须按行推进、状态驱动。
从最简 Lexer 开始：只识别行首模式
真正能落地的起点不是“解析整个文档”，而是把输入按行切分后，对每行做类型标注——这是后续语法树构建的基础。关键不是识别内容细节，而是快速判定这一行属于什么块级类别：
-
HeaderLine：以 1–6 个#开头，后面跟空格和文字 -
CodeBlockStart：以```开头（可带语言标识） -
QuoteLine：以>+ 空格开头（注意要跳过前面可能的空白） -
ParagraphLine：其他非空行，默认为段落内容
示例判断逻辑（C++20）：
std::string_view line = trim(line_raw); // 自定义 trim 去首尾空格
if (line.starts_with("```")) {
return TokenType::CodeBlockStart;
} else if (line.starts_with("# ")) {
return TokenType::Header1;
} else if (line.starts_with("## ")) {
return TokenType::Header2;
} else if (line.starts_with("> ")) {
return TokenType::QuoteLine;
} else if (!line.empty()) {
return TokenType::ParagraphLine;
}行内标记怎么处理：延迟到渲染阶段再扫描
像 *斜体*、[链接](url) 这类行内格式，硬塞进词法分析器只会让状态机爆炸。正确做法是：Lexer 只输出「段落文本原始字符串」，把解析委托给独立的 parseInline() 函数，在需要渲染时才调用。这样既解耦，又避免提前处理未闭合标记（如段末孤零零的 *）。
立即学习“C++免费学习笔记（深入）”；
Markdown Converter 1.0.0
下载
使用 markitdown 将文档和文件转换为 Markdown。适用于转换 PDF、Word (.docx)、PowerPoint (.pptx)、Excel (.xlsx, .xls)、HTML、CSV、JSON、XML 等格式。
常见坑：
- 不区分
_下划线_和*星号*的语义差异（实际标准中二者等价，但实现时容易漏判） - 忽略转义：用户写
\*不强调\*应原样显示，需先扫描反斜杠再匹配标记 - 链接语法中的括号嵌套：
[text](/path?x=1&y=2)—— 此处不能简单找第一个)
状态管理比算法更重要：用 struct 封装当前上下文
纯函数式逐行处理会丢失关键信息。比如进入 ```cpp 后，接下来所有行都应视为代码内容，直到再次遇到 ```；引用块也需记录嵌套层级。推荐用一个 LexerState struct 持有：
-
current_block_type（BlockType::Code, BlockType::Quote, BlockType::None） -
code_fence_lang（仅当在代码块中时有效） -
quote_depth（用于支持多层引用>> 内容）
每次读入新行，先根据 current_block_type 决定是否跳过行首模式匹配——例如在代码块中，## 标题 就不该被识别为标题。
这一步没做对，后续所有嵌套解析都会错位。很多人卡在“为什么引用块里的列表不生效”，其实是状态没切换过去。
