regex 正则表达式

C++11 新增了正则表达式的标准库支持

regex的介绍

C++11 自带了 6 种正则表达式语法的支持

1. ECMAScript
2. basic
3. extended
4. awk
5. grep
6. egrep

C++11 默认使用 ECMAScript 语法，这也是 6 种语法中最强大的，假如想使用其他 5 种语法，只需在声明 regex 对象时指定即可

regex e("^a.", regex_constants::grep);

在C++中，有三种正则可以选择使用

• C ++regex
• C regex
• boost regex

如果在windows下开发C++，默认不支持后面两种正则，如果想快速应用，显然C++ regex 比较方便使用。

regex的使用

全词匹配

regex_match是正则表达式匹配的函数

int main() {
    string a = "modao";
    regex e("m(.*)");
    if(regex_match(a, e))cout << "modao";
    return 0;
}

搜索匹配

regex_search和regex_match的主要区别是：regex_match是全词匹配，而regex_search是搜索其中匹配的字符串。

int main() {
  regex e("abc*");
  bool m = regex_search("abccc", e);

  // 输出 yes
  cout << (m ? "yes" : "no") << endl;
}

提取匹配

想要提取出匹配的部分，就需要用到 match_results

int main() {
  string str("Email a@bc.com abc");

  // 等同于 match_results<string>
  smatch m; 

  regex e("([[:w:]]+)@([[:w:]]+\\.com)");
  bool found = regex_search(str, m, e);

  // m.size=3, 存储了 3 个 result
  cout << "m.size=" << m.size() << endl;

  for (int n=0; n<m.size(); n++){
    cout << "m[" << n << "]=" << m[n].str() << endl;
	//等价写法 m.str(n), *(m.begin()+n) 
  }
  //匹配项的前缀和后缀
  cout << "m.prefix=" << m.prefix().str() << endl;
  cout << "m.suffix=" << m.suffix().str() << endl;
}
/*
迭代 match_results, 输出
m[0]=a@bc.com (整个匹配)
m[1]=a (第1个group)
m[2]=bc.com (第2个group)
m.prefix=Email 
m.suffix= abc
*/

提取多个匹配

迭代result

假如我们想要匹配的字符串中，有多个子串都可以匹配正则表达式，并且我们想把这些子串全部找出来，例如一个字符串中包含多个邮箱地址，那么就需要用到 regex_iterator

int main() {
  string str("a@bc.com, d@ef.com, aa@b.com");

  regex e("([[:w:]]+)@([[:w:]]+\\.com)");

  // 定义 regex_iteraror
  sregex_iterator pos(str.cbegin(), str.cend(), e); 
  // C++惯例: 默认构造的迭代器表示序列结束
  sregex_iterator end;

  for (; pos!=end; pos++) {
    cout << "email=" << pos->str(0) 
      << ", user=" << pos->str(1) 
      << ", domain=" << pos->str(2) 
      << endl;
  }
}

/*
email=a@bc.com, user=a, domain=bc.com
email=d@ef.com, user=d, domain=ef.com
email=aa@bb.com, user=aa, domain=b.com
*/

如上我们可以看到，regex_iterator 其实就是迭代字符串中所有正则表达式匹配的 match_results。

迭代匹配串

除此之外，C++ 还提供了另一种迭代器 regex_token_iterator。

不同的是，regex_token_iterator 迭代的是所有正则表达式匹配中的指定子表达式，或迭代未匹配的子字符串

int main() {
  string str("a@bc.com, d@ef.com, aa@bb.com");

  regex e("([[:w:]]+)@([[:w:]]+\\.com)");

  // 定义regex_token_iterator
  sregex_token_iterator pos(str.cbegin(), str.cend(), e); 
  sregex_token_iterator end; //序列结束
  
  for (; pos!=end; pos++) {
    cout << "Matched:  " << *pos << endl;
  }
}
/*
Matched: a@bc.com
Matched: d@ef.com
Matched: aa@bb.com
*/

我们可以修改 pos 的定义，使它每次迭代 match_results 的第 2 个 group

// 第 4 个参数表示第几个 group
sregex_token_iterator pos(str.cbegin(), str.cend(), e, 2);

值得注意的是，如果我们把这里的参数设为 -1，则迭代字符串中所有不匹配正则表达式的部分，相当于用正则表达式切割字符串

int main() {
  string str("a bb   cd");

  regex e("\\s+"); // 匹配空格

  // 迭代不匹配正则表达式的部分
  sregex_token_iterator pos(str.cbegin(), str.cend(), e, -1);
  sregex_token_iterator end;
  
  for (; pos!=end; pos++) {
    cout << "Matched: " 
      << *pos << endl;
  }
}
/*
Matched: a
Matched: bb
Matched: cd
*/

替换匹配

正则表达式还有一个常用的场景——字符串替换。C++ 中我们可以使用 regex_replace

int main() {
  string str("a@bc.com, d@ef.com, aa@bb.com");

  regex e("([[:w:]]+)@([[:w:]]+\\.com)");
  //原字符串，匹配规则，替换规则
  cout << regex_replace(str, e, "$1 is on $2");
}

输出为

a is on bc.com, d is on ef.com, aa is on bb.com

regex的语法

正则表达式的括号：

()匹配并捕获

[]匹配字符组里的每一个字符

{}匹配出现的次数

C++ regex正则表达式的规则和其他编程语言差不多，如下：

特殊字符（用于匹配很难形容的字符）:

注意了，在C++反斜杠字符（\）会被转义

std::regex e1 ("\\d"); // \d -> 匹配数字字符
std::regex e2 ("\\\\"); // \\ -> 匹配反斜杠字符

数量**：**

注意：

• 模式 (a+).* 匹配 "aardvark" 将匹配到 aa
• 模式 (a+?).* 匹配 "aardvark" 将匹配到 a

组（用以匹配连续的多个字符）:

注意了，第一种将创建一个反向引用，用于提取匹配到的内容，第二种则没有，相对来说性能方面也没这部分的开销

单个字符

[abc] 匹配 a, b 或 c. [^xyz]匹配任何非 x, y, z的字符

范围 [a-z] 匹配任何小写字母 (a, b, c, ..., z) [abc1-5] 匹配 a, b , c, 或 1 到 5 的数字

c++ regex还有一种类POSIX的写法

邮箱regex示例

#include <iostream>
#include <cstdlib>
#include <string>
#include <regex>  // regular expression 正则表达式

using namespace std;

int main ( )
{
    string email_address;
    string user_name, domain_name;

    regex pattern("([0-9A-Za-z\\-_\\.]+)@([0-9a-z]+\\.[a-z]{2,3}(\\.[a-z]{2})?)");
    // 正则表达式，匹配规则：
    // 第1组（即用户名），匹配规则：0至9、A至Z、a至z、下划线、点、连字符之中
    // 的任意字符，重复一遍或以上
    // 中间，一个“@”符号
    // 第二组（即域名），匹配规则：0至9或a至z之中的任意字符重复一遍或以上，
    // 接着一个点，接着a至z之中的任意字符重复2至3遍（如com或cn等），
    // 第二组内部的一组，一个点，接着a至z之中的任意字符重复2遍（如cn或fr等）
    // 内部一整组重复零次或一次


    // 输入文件结尾符（Windows用Ctrl+Z，UNIX用Ctrl+D）结束循环
    while ( cin >> email_address ) 
    {
        if ( regex_match( email_address, pattern ) )
        {
            cout << "您输入的电子邮件地址合法" << endl;

            // 截取第一组
            user_name = regex_replace( email_address, pattern, string("$1") );

            // 截取第二组
            domain_name = regex_replace( email_address, pattern, string("$2") );

            cout << "用户名：" << user_name << endl;
            cout << "域名：" << domain_name << endl;
            cout << endl;
        }
        else
        {
            cout << "您输入的电子邮件地址不合法" << endl << endl;
        }
    }
    return EXIT_SUCCESS;
}

参考文章

• C++11新特性7 - 正则表达式
• C++ regex 正则表达式的使用