C++ 中的正则表达式 Regex

注：下文所有内容仅仅适用于C++ 2011的新标准，相关编译环境为VS2010。

首先简单列举一下Regex表达式中的一些语法元素：

.	通配符，可匹配任何字符。
[]	匹配中括号中的任何字符。
\d	匹配所有数字字符。即：[0-9]
\D	匹配所有非数字字符。即：[^0-9]
\s	匹配所有空字符。
\w	匹配所有字母、数字及下划线。

 

下面列举一下Regex表达式中的一些量词：

*	匹配0个或多个。
+	匹配1个或多个。
?	匹配0个或1个。
{3}	匹配3个。
{3,}	匹配3个及以上。
{3,5}	匹配3至5个。

在Regex中，量词默认是采用“贪心”原则。如要采用“非贪心”原则，可以在量词后面跟“?”。

<b>.*</b>匹配<b>x</b>y<b>z</b>

<b>.*?</b>匹配<b>x</b>y<b>z</b>

在Regex中，括号“()”用来确定优先级，以及确定Capture(捕获)。通常情况下，Capture(捕获)是无害的，但如果我们不希望Capture发生，可以使用以下语法：

 (?:whatever)

以上是Regex的语法的简单回顾。接着，我们来看一下C++中如何应用Regex相关库。

 

在C++中对应的Regex的Header File是<regex>。

在Regex中真正的类型名是basic_regex，regex仅仅是该类型模板对于char的一个类型别名。以下是一些常用的类型别名：

regex	basic_regex<char>
cmatch	match_results<const char *>
smatch	match_results<string::const_iterator>
csub_match	sub_match<const char *>
ssub_match	sub_match<string::const_iterator>

下面让我们来看一下match_results和sub_match的区别。

match_results表示对一个给定Regex表达式的匹配字符串，以及其所有的包含Capture。

sub_match表示对于一个Regex表达式中，一个Capture的匹配。

在Regex中，有3个常用函数，分别是regex_match()，regex_search()及regex_replace()。

// Sample Code for 'regex_match()'

#include<iostream>
#include<regex>
using namespace std;
using namespace std::tr1;

int _tmain(int argc, _TCHAR* argv[])
{
    regex r("[1-9]\\d*x[1-9]\\d*");

    for (string s; getline(cin, s); ) {
        cout << (regex_match(s, r) ? "Yes" : "No") << endl;
    }
}

执行用例：

8x10
>    Yes
1920x1200
>    Yes
3.14x137
>    No

以下是一个关于Capture的例子：

// Sample Code for 'regex_match()' - (2)

const regex r("([1-9]\\d*)x([1-9]\\d*)");

for (string s; getline(cin, s); ) {
    smatch m;

    if (regex_match(s, m, r)) {
        cout << m[1] << " by " << m[2] << endl; // 第0个Capture是整个Regex的匹配
    }
}

执行用例：

1920x1200
>    1920 by 1200

// Sample Code for 'regex_replace()'

const regex r("(\\w+)( \\w+\\.?)? (\\w+)");
const string fmt("$3, $1$2");

for (string s; getline(cin, s); ) {
    cout << "*** " << regex_replace(s, r, fmt) << endl;
}

执行用例：

Stephan T. Lavavej
>    *** Lavavej, Stephan T.
Stephan Thomas Lavavej
>    *** Lavavej, Stephan Thomas
Stephan Lavavej
>    *** Lavavej, Stephan

这里在Format字符串中引用了匹配中的Capture，以下是一个详表：

Regex: ([A-Z]+)-([0-9]+)

String:  2161-NCC-1701-D

$1	第1个Capture	NCC
$2	第2个Capture	1701
$&	整个Regex的匹配	NCC-1701
$`	这个Regex的前缀	2161-
$'	这个Regex的后缀	-D
$$	字符“$”	$

 

补充一下关于 正向预查 与 负向预查 的语法：

(?=SubPattern)	正向预查	在这个预查模式之后的字符串必须符合该预查模式，但其不消耗字符。
(?!SubPattern)	负向预查	在这个预查模式之后的字符串必须不符合该预查模式，但其不消耗字符。

以下是一个例子：

Regex: ([1-9]\d*|0)(\.\d+)?|0[xX][0-9a-zA-Z]

对于上述模式，在匹配十六进制数时会遇到问题。“0x1”中的“0”先会被匹配，之后的“x”便无法被成功识别。在这里便可以使用 负向预查 来消除上述错误。以下是可用版本。

Regex: ([1-9]\d*|0(?![xX]))(\.\d+)?|0[xX][0-9a-zA-Z]

更改之后，在0之后不希望出现x或X。如此，便可以避免“0x1”中的“0”被前一个模式“吃”掉的情况。

 

以下Link是一个关于Regex语法（ECMAScript Grammar）的参考。

http://cplusplus.com/reference/std/regex/ECMAScript/