regular_expression

深海蓝河

已于 2024-04-26 17:10:26 修改

阅读量1.3k

点赞数 36

分类专栏： C++ 文章标签： c++ 正则表达式

于 2024-04-26 15:41:34 首次发布

本文链接：https://blog.csdn.net/qq_38413468/article/details/138219645

版权

C++ 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

C++ 正则表达式基础

简介
常见用法
进阶
tips

简介

正则表达式描述了一种字符串匹配的模式。一般使用正则表达式主要是实现下面三个需求：

匹配：检查一个串是否包含某种形式的子串；
搜索：从某个串中取出符合特定形式的子串。
替换：将匹配的子串替换；

常见用法

C++ 提供了 regex 相关组件，用户只需 #include <regex>。常用到的函数包括：regex_match、regex_replace、regex_search。这些函数主要涉及以下参数：

target sequence: 要查找的字符序列，可以是一对迭代器，也可以是 c-style 字符串或者 std::string;
regular expression：要匹配的正则表达式，默认是 ECMAScript syntax；
match result：用来保存匹配结果的相关细节，常用的有 smatch, ssub_match;
replacement string: 用来替换指定格式的字符串。

关于写好一个正则表达式，可以参考表达式全集，没必要死记！！！

匹配

regex_match 是全文匹配，用来判断整个 target sequence 是否和正则表达式相匹配。它有两种常用的接口：

bool regex_match(target_sequece, regular_expression);
bool regex_match(target_sequece, match_result, regular_expression)。

如果不关心匹配结果的具体信息，可以使用第一种。以下是一个具体示例：

string str = "http://www.baidu.com";
string reg = "([a-zA-z]+)://([^\\s]+)";
regex pattern(reg);

smatch result;
bool isMatch = regex_match(str, result, pattern);
if (isMatch) {
  for (int i = 0; i < result.size(); i++) {
    cout << result[i] << endl;
    // cout << result.str(i) << endl;
  }
} else {
  cout << "match fail" << endl;
}

注：smatch[0] 存储的是匹配的字符串，然后 1 - N，分别是匹配到的各个分组，分组是正则表达式中用括号 "()" 括起来的内容。

搜索

regex_search 是搜索匹配，用来判断 target sequence 中是否包含给定 pattern 的子串。常用的有两种：

bool regex_search(target_sequece, regular_expression);
bool regex_search(target_sequece, match_result, regular_expression)。

对于 regex_search 来说，它会在匹配到首个符合条件的子串就截止。因此，match_result 中仅包含首个子串的匹配信息。具体实例如下:

string str = "http://www.baidu.com, http://blog.csdn.net";
string reg = "([a-zA-z]+)://([^\\s]+)";
regex pattern(reg);
smatch result;
bool found = regex_search(str, result, pattern);
if (found) {
  cout << "result size = " << result.size() << endl;
  for (int i = 0; i < result.size(); i++) {
    cout << "result[" << i << "] = " << result.str(i) << endl;
  }
} else {
  cout << "regex_search(str, result, pattern) not found" << endl;
}

如果想搜索所有符合 pattern 的子串，需要结合字符串迭代器，每次搜索到结果后，将迭代器的起始值改为搜索到的结果的尾部，然后循环往复即可。

string str = "http://www.baidu.com, http://blog.csdn.net";
string reg = "([a-zA-z]+)://([^\\s]+)";
regex pattern(reg);
smatch result;

string::const_iterator iterStart = str.begin();
string::const_iterator iterEnd = str.end();
while (regex_search(iterStart, iterEnd, result, pattern)) {
  cout << "result size = " << result.size() << endl;
  for (int i = 0; i < result.size(); i++) {
    cout << "result[" << i << "] = " << result.str(i) << endl;
  }
  // end iterator of the current match string
  iterStart = result[0].second;
}

【注】：smatch[i].first 和 smatch[i].second 分别指向所匹配子串的首尾。

替换

regex_replace 是替换匹配。用来将 target sequence 中的匹配到的子串s1进行替换为s2。常用的有以下两种：

string regex_place(target_sequence, regular_expression, replace_string);
regex_place(output, target_sequence, regular_expression, replace_string)。

以下是一个示例：

string trimSpace(const string &str) {
  return regex_replace(str, regex("(^\\s*)|(\\s*$)"), "");
}

进阶

regex 迭代器

在上文中，我们使用 regex_search 搜索所有的匹配的子串时，需要循环地调用 regex_search 并手动更新 iterStart。

其实，C++ 11 标准库支持了 sregex_iterator，它可以帮助我们获得所有匹配，从而简化代码编写。下面给出一个具体地示例：

string str = "http://www.baidu.com, http://blog.csdn.net";
string reg = "([a-zA-z]+)://([^\\s]+)";
regex pattern(reg);

for (sregex_iterator it(str.begin(), str.end(), pattern), end_it;
      it != end_it; ++it) {
  cout << "result size = " << it->size() << endl;
  for (int i = 0; i < it->size(); i++) {
    cout << "result[" << i << "] = " << it->str(i) << endl;
  }
}

当我们将一个 sregex_iterator 绑定到一个 string 和一个 regex 对象时，迭代器自动定位到给定 string 中第一个匹配位置。即，sregex_iterator 构造函数对给定 string 和 regex 调用 regex_search。当我们解用迭代器时，会得到一个对应最近一次搜索结果地 smatch 对象。当我们递增迭代器时，它调用 regex_search 在输入 string 中查找下一个匹配。

match result

常用于存储匹配信息的数据结构有 smatch, cmatch。它们均是 match_results 的实例。以下是相关代码：

typedef match_results<const char*> cmatch;
typedef match_results<string::const_iterator> smatch;

match_results 是一个 container-like 的类，用于存储所有匹配的结果，具体以下特点：

其中每一个匹配都是一个 sub_match 对象, 而且是常量属性；
第一个 sub_match 元素对应整个匹配，接下来的是子匹配，即用 “()” 括起来的部分；
支持类似顺序容器的操作，支持下标访问，具体参考cplusplus match_results；
sub_match 继承自 pair， sub_match.first 和 sub_match.second 指向所匹配的子串的首和尾。

异常

用户编写的正则表达式存在错误，在编译期不会被检测出异常，只有在运行时标准库会抛出一个异常类型为 regex_error 的异常。

try {
  regex r("[[:alnum:]+\\.(cpp|cxx|cc)$");
} catch (const std::regex_error& e) {
  std::cout << e.what() << "\ncode:" << e.code() << '\n';
}

输出结果如下：

Unexpected character in bracket expression.
code:4

match_flag_type

默认采用 regex::ECMAScript 标志，其他常用的标志如下：

标志	含义
icase	在匹配过程中忽略大小写
nosubs	不保存匹配的子表达式
optimize	执行速度优先于构造速度

合理的使用这些标志，可以简化 regex pattern 的写法，或者提升匹配的速度。

原生字符

在正则表达式中，有些字符是有特殊字符。因此如果想要匹配这些字符，那么就必须使用反斜杠进行转义。比如 $, 就需要表示为 \\$, 第一层是 C++ 语言本身的转义，第二层是正则表达式的转义。

自 C++11 开始支持原生字符，这样一来就可以避免正则表达式中的 \\, 仅需保留正则表达式的转义。原生字符串字面值的语法是 R"(...)"，其中 ... 是字符串的内容。以下是一个具体的示例：

std::string s("there is a subsequence in the string\n");
std::regex e(R"(\b(sub)([^ ]*))");  // matches words beginning by "sub"
// std::regex e("\\b(sub)([^ ]*)");
std::cout << std::regex_replace(s, e, "sub-$2");