ICode9
精准搜索请尝试： 精确搜索
首页
编程语言>
数据库
系统相关
互联网
其他分享
Python
Java
JavaScript
android
PHP
首页 > 编程语言> 文章详细

详解C++正则表达式

2020-10-19 11:02:09  阅读：233  来源： 互联网

标签：std regex 匹配 cout 正则表达式 pos C++ 详解 com


来源：CPP编程客-cpluspluser

 

【CPP开发者导读】：在讨论正则表达式之前，先介绍另外一话题：字符串处理能力是所有程序员的基本功，例如在自然语言处理领域，就经常会遇到字符串处理的问题，当数据在输入到机器学习模型之前和之后，要涉及到大量的预处理和后处理工作，比如要在预处理阶段过滤掉一部分字符，或者把数据进行规范化，在后处理阶段可能还要纠正模型的一些错误和不足。尤其是在工业界，这些工作占的比重还会更大。这时正则表达式的作用显得极其重要。

 

而在过去写C++程序的时候，当需要用到正则表达式的时候，由于C++本身的标准库不支持，要么使用第三方库，要么自己编写程序实现，不但非常的麻烦而且容易出错难以维护。

 

因此从C++11开始，引入对正则表达式的支持，使得C++具备了更多的现代语言特性。

 

本文适合急需提高字符串处理能力的C++程序员阅读，利用从本文所学到的知识大大提高开发效率，达到事半功倍的效果。

 

 

以下是正文

 

若要判断一个输入的QQ号是否有效，你会如何处理呢？

首先你得分析一下其对应规则，依次列出：

  1. 长度大于5，小于等于11；

  2. 首位不能为0；

  3. 是否为纯数字？

规则既列，接着就该尝试实现了，那么用什么来表示字符串呢？在C++中，最容易想到的就是string了，其中提供了许多成员函数可以处理字符串，所以有了如下实现：

 1  std::string qq;
 2  std::cin >> qq;
 3  
 4  // 1. 判断位数是否合法
 5  if (qq.length() >= 5 && qq.length() <= 11)
 6  {
 7      // 2. 判断是否非'0'开头
 8      if (qq[0] != '0')
 9      {
10          // 3. 判断是否为纯数字
11          auto pos = std::find_if(qq.begin(), qq.end(), [](const char& ch) {
12              return ch < '0' || ch > '9';
13          });
14          if (pos == qq.end())
15              std::cout << "valid.\n";
16      }
17  }

这仅仅是一个对应规则较少的处理，便相当麻烦。若是要检测IP地址、身份证号，或是解析一段HTML数据等等复杂的字符串，便应该寻求别的方式。

当然，也有许多扩展库对字符串处理提供了方便，其中比较好用的是boost中的string_algo库（已于C++17纳入了标准库，并改名为string_view），但本篇主要说C++11的regex库，其对复杂数据的处理能力非常强，比如可以用它来检测QQ号：

1  std::regex qq_reg("[1-9]\\d{4,11}");
2  bool ret = std::regex_match(qq, qq_reg);
3  std::cout << (ret ? "valid" : "invalid") << std::endl;

是不是超级方便呢？那么接下来便来看看如何使用「正则表达式」。

正则程序库（regex）

「正则表达式」就是一套表示规则的式子，专门用来处理各种复杂的操作。

std::regex是C++用来表示「正则表达式」（regular expression）的库，于C++11加入，它是class std::basic_regex<>针对char类型的一个特化，还有一个针对wchar_t类型的特化为std::wregex。

正则文法（regex syntaxes）

std::regex默认使用是ECMAScript文法，这种文法比较好用，且威力强大，常用符号的意义如下：

符号意义
^ 匹配行的开头
$ 匹配行的结尾
. 匹配任意单个字符
[…] 匹配[]中的任意一个字符
(…) 设定分组
\ 转义字符
\d 匹配数字[0-9]
\D \d 取反
\w 匹配字母[a-z]，数字，下划线
\W \w 取反
\s 匹配空格
\S \s 取反
+ 前面的元素重复1次或多次
* 前面的元素重复任意次
? 前面的元素重复0次或1次
{n} 前面的元素重复n次
{n,} 前面的元素重复至少n次
{n,m} 前面的元素重复至少n次，至多m次
| 逻辑或

上面列出的这些都是非常常用的符号，靠这些便足以解决绝大多数问题了。

匹配（Match）

字符串处理常用的一个操作是「匹配」，即字符串和规则恰好对应，而用于匹配的函数为std::regex_match()，它是个函数模板，我们直接来看例子：

 1  std::regex reg("<.*>.*</.*>");
 2  bool ret = std::regex_match("<html>value</html>", reg);
 3  assert(ret);
 4  
 5  ret = std::regex_match("<xml>value<xml>", reg);
 6  assert(!ret);
 7  
 8  std::regex reg1("<(.*)>.*</\\1>");
 9  ret = std::regex_match("<xml>value</xml>", reg1);
10  assert(ret);
11  
12  ret = std::regex_match("<header>value</header>", std::regex("<(.*)>value</\\1>"));
13  assert(ret);
14  
15  // 使用basic文法
16  std::regex reg2("<\\(.*\\)>.*</\\1>", std::regex_constants::basic);
17  ret = std::regex_match("<title>value</title>", reg2);
18  assert(ret);

这个小例子使用regex_match()来匹配xml格式（或是html格式）的字符串，匹配成功则会返回true，意思非常简单，若是不懂其中意思，可参照前面的文法部分。

对于语句中出现\\，是因为\需要转义，C++11以后支持原生字符，所以也可以这样使用：

1　　std::regex reg1(R"(<(.*)>.*</\1>)");
2　　auto ret = std::regex_match("<xml>value</xml>", reg1);
3　　assert(ret);

但C++03之前并不支持，所以使用时要需要留意。

若是想得到匹配的结果，可以使用regex_match()的另一个重载形式：

 1  std::cmatch m;
 2  auto ret = std::regex_match("<xml>value</xml>", m, std::regex("<(.*)>(.*)</(\\1)>"));
 3  if (ret)
 4  {
 5      std::cout << m.str() << std::endl;
 6      std::cout << m.length() << std::endl;
 7      std::cout << m.position() << std::endl;
 8  }
 9  
10  std::cout << "----------------" << std::endl;
11  
12  // 遍历匹配内容
13  for (auto i = 0; i < m.size(); ++i)
14  {
15      // 两种方式都可以
16      std::cout << m[i].str() << " " << m.str(i) << std::endl;
17  }
18  
19  std::cout << "----------------" << std::endl;
20  
21  // 使用迭代器遍历
22  for (auto pos = m.begin(); pos != m.end(); ++pos)
23  {
24      std::cout << *pos << std::endl;
25  }

输出结果为：

 1  <xml>value</xml>
 2  16
 3  0
 4  ----------------
 5  <xml>value</xml> <xml>value</xml>
 6  xml xml
 7  value value
 8  xml xml
 9  ----------------
10  <xml>value</xml>
11  xml
12  value
13  xml

cmatch是class template std::match_result<>针对C字符的一个特化版本，若是string，便得用针对string的特化版本smatch。同时还支持其相应的宽字符版本wcmatch和wsmatch。

在regex_match()的第二个参数传入match_result便可获取匹配的结果，在例子中便将结果储存到了cmatch中，而cmatch又提供了许多函数可以对这些结果进行操作，大多方法都和string的方法类似，所以使用起来比较容易。

m[0]保存着匹配结果的所有字符，若想在匹配结果中保存有子串，则得在「正则表达式」中用()标出子串，所以这里多加了几个括号：

1　　　　std::regex("<(.*)>(.*)</(\\1)>")

这样这些子串就会依次保存在m[0]的后面，即可通过m[1],m[2],…依次访问到各个子串。

搜索（Search）

「搜索」与「匹配」非常相像，其对应的函数为std::regex_search，也是个函数模板，用法和regex_match一样，不同之处在于「搜索」只要字符串中有目标出现就会返回，而非完全「匹配」。

还是以例子来看：

 1  std::regex reg("<(.*)>(.*)</(\\1)>");
 2  std::cmatch m;
 3  auto ret = std::regex_search("123<xml>value</xml>456", m, reg);
 4  if (ret)
 5  {
 6      for (auto& elem : m)
 7          std::cout << elem << std::endl;
 8  }
 9  
10  std::cout << "prefix:" << m.prefix() << std::endl;
11  std::cout << "suffix:" << m.suffix() << std::endl;

输出为：

1   <xml>value</xml>
2   xml
3   value
4   xml
5   prefix:123
6   suffix:456

这儿若换成regex_match匹配就会失败，因为regex_match是完全匹配的，而此处字符串前后却多加了几个字符。

对于「搜索」，在匹配结果中可以分别通过prefix和suffix来获取前缀和后缀，前缀即是匹配内容前面的内容，后缀则是匹配内容后面的内容。

那么若有多组符合条件的内容又如何得到其全部信息呢？这里依旧通过一个小例子来看：

 1   std::regex reg("<(.*)>(.*)</(\\1)>");
 2   std::string content("123<xml>value</xml>456<widget>center</widget>hahaha<vertical>window</vertical>the end");
 3   std::smatch m;
 4   auto pos = content.cbegin();
 5   auto end = content.cend();
 6   for (; std::regex_search(pos, end, m, reg); pos = m.suffix().first)
 7   {
 8       std::cout << "----------------" << std::endl;
 9       std::cout << m.str() << std::endl;
10       std::cout << m.str(1) << std::endl;
11       std::cout << m.str(2) << std::endl;
12       std::cout << m.str(3) << std::endl;
13   }

输出结果为：

 1   ----------------
 2   <xml>value</xml>
 3   xml
 4   value
 5   xml
 6   ----------------
 7   <widget>center</widget>
 8   widget
 9   center
10   widget
11   ----------------
12   <vertical>window</vertical>
13   vertical
14   window
15   vertical

此处使用了regex_search函数的另一个重载形式（regex_match函数亦有同样的重载形式），实际上所有的子串对象都是从std::pair<>派生的，其first（即此处的prefix）即为第一个字符的位置，second（即此处的suffix）则为最末字符的下一个位置。

一组查找完成后，便可从suffix处接着查找，这样就能获取到所有符合内容的信息了。

分词（Tokenize）

还有一种操作叫做「切割」，例如有一组数据保存着许多邮箱账号，并以逗号分隔，那就可以指定以逗号为分割符来切割这些内容，从而得到每个账号。

而在C++的正则中，把这种操作称为Tokenize，用模板类regex_token_iterator<>提供分词迭代器，依旧通过例子来看：

1   std::string mail("123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com");
2   std::regex reg(",");
3   std::sregex_token_iterator pos(mail.begin(), mail.end(), reg, -1);
4   decltype(pos) end;
5   for (; pos != end; ++pos)
6   {
7       std::cout << pos->str() << std::endl;
8   }

这样，就能通过逗号分割得到所有的邮箱：

1   123@qq.vip.com
2   456@gmail.com
3   789@163.com
4   abcd@my.com

sregex_token_iterator是针对string类型的特化，需要注意的是最后一个参数，这个参数可以指定一系列整数值，用来表示你感兴趣的内容，此处的-1表示对于匹配的正则表达式之前的子序列感兴趣；而若指定0，则表示对于匹配的正则表达式感兴趣，这里就会得到“,"；还可对正则表达式进行分组，之后便能输入任意数字对应指定的分组，大家可以动手试试。

替换（Replace）

最后一种操作称为「替换」，即将正则表达式内容替换为指定内容，regex库用模板函数std::regex_replace提供「替换」操作。

现在，给定一个数据为"he…ll..o, worl..d!"， 思考一下，如何去掉其中误敲的“.”？

有思路了吗？来看看正则的解法：

1　　char data[] = "he...ll..o, worl..d!";
2　　std::regex reg("\\.");
3　　// output: hello, world!
4　　std::cout << std::regex_replace(data, reg, "");

我们还可以使用分组功能：

1　　char data[] = "001-Neo,002-Lucia";
2　　std::regex reg("(\\d+)-(\\w+)");
3　　// output: 001 name=Neo,002 name=Lucia
4　　std::cout << std::regex_replace(data, reg, "$1 name=$2");

当使用分组功能后，可以通过N来得到分组内容，这个功能挺有用的。

实例（Examples）

1. 验证邮箱

这个需求在注册登录时常有用到，用于检测用户输入的合法性。

若是对匹配精确度要求不高，那么可以这么写：

1　　std::string data = "123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com";
2　　std::regex reg("\\w+@\\w+(\\.\\w+)+");
3
4　　std::sregex_iterator pos(data.cbegin(), data.cend(), reg);
5　　decltype(pos) end;
6　　for (; pos != end; ++pos)
7　　{
8    　　std::cout << pos->str() << std::endl;
9　　}

这里使用了另外一种遍历正则查找的方法，这种方法使用regex iterator来迭代，效率要比使用match高。这里的正则是一个弱匹配，但对于一般用户的输入来说没有什么问题，关键是简单，输出为：

1　　123@qq.vip.com
2　　456@gmail.com
3　　789@163.com
4　　abcd@my.com

但若我输入一个“Abc0_@aAa1.123.456.789”，它依旧能匹配成功，这明显是个非法邮箱，更精确的正则应该这样写：

 1 　　std::string data = "123@qq.vip.com, \
 2            456@gmail.com, \
 3            789@163.com.cn.mail, \
 4            abcd@my.com, \
 5            Abc0_@aAa1.123.456.789 \
 6            haha@163.com.cn.com.cn";
 7 　　std::regex reg("[a-zA-z0-9_]+@[a-zA-z0-9]+(\\.[a-zA-z]+){1,3}");
 8 
 9 　　std::sregex_iterator pos(data.cbegin(), data.cend(), reg);
10 　　decltype(pos) end;
11 　　for (; pos != end; ++pos)
12 　　{
13     　　std::cout << pos->str() << std::endl;
14 　　}

输出为：

1　　123@qq.vip.com
2　　456@gmail.com
3　　789@163.com.cn.mail
4　　abcd@my.com
5　　haha@163.com.cn.com

2. 匹配IP

有这样一串IP地址，192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30，
要求：取出其中的IP地址，并按地址段顺序输出IP地址。

有点晚了，便不详细解释了，这里直接给出答案，可供大家参考：

 1  std::string ip("192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30");
 2  
 3  std::cout << "原内容为：\n" << ip << std::endl;
 4  
 5  // 1. 位数对齐
 6  ip = std::regex_replace(ip, std::regex("(\\d+)"), "00$1");
 7  
 8  std::cout << "位数对齐后为：\n" << ip << std::endl;
 9  
10  // 2. 有0的去掉
11  ip = std::regex_replace(ip, std::regex("0*(\\d{3})"), "$1");
12  
13  std::cout << "去掉0后为：\n" << ip << std::endl;
14  
15  // 3. 取出IP
16  std::regex reg("\\s");
17  std::sregex_token_iterator pos(ip.begin(), ip.end(), reg, -1);
18  decltype(pos) end;
19  
20  std::set<std::string> ip_set;
21  for (; pos != end; ++pos)
22  {
23      ip_set.insert(pos->str());
24  }
25  
26  std::cout << "------\n最终结果：\n";
27  
28  // 4. 输出排序后的数组
29  for (auto elem : ip_set)
30  {
31      // 5. 去掉多余的0
32      std::cout << std::regex_replace(elem, 
33          std::regex("0*(\\d+)"), "$1") << std::endl;
34  }

输出结果为：

 1  原内容为：
 2  192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30
 3  位数对齐后为：
 4  00192.0068.001.00254 00102.0049.0023.00013 0010.0010.0010.0010 002.002.002.002 008.00109.0090.0030
 5  去掉0后为：
 6  192.068.001.254 102.049.023.013 010.010.010.010 002.002.002.002 008.109.090.030
 7  ------
 8  最终结果：
 9  2.2.2.2
10  8.109.90.30
11  10.10.10.10
12  102.49.23.13
13  192.68.1.254

 

标签：std,regex,匹配,cout,正则表达式,pos,C++,详解,com
来源： https://www.cnblogs.com/roea1/p/13839016.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

关于我们 | 联系我们 | 留言反馈

专注分享技术，共同学习，共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有