sscanf 和 regex

sscanf()

2011-11-23 09:07:56

........最近还是一直在做爬虫，C++的STL最让我纠结的就是没有正则表达式的支持，要用正则表达式除非去安装boost库，但是我很懒，又考虑到运行效率问题，所以下载了boost到现在也没有装过，爬虫中抽取信息所用的函数都是自己写的函数。事实证明：难度很大，效果很差！
........今天早上无意中在看一本书时，发现了一个神奇的函数sscanf()，我之前有见过，但今天才知道原来这么强大。一下内容摘自百度百科：

名称:
....sscanf() - 从一个字符串中读进与指定格式相符的数据.
　　
函数原型:
....int sscanf( const char *, const char *, ...);
....int sscanf(const char *buffer,const char *format[,argument ]...);
....buffer 存储的数据
....format 格式控制字符串
....argument 选择性设定字符串
....sscanf会从buffer里读进数据，依照argument的设定将数据写回。

头文件：
....#include<stdio.h>

返回值：
....成功则返回参数数目，失败则返回-1，错误原因存于errno中。

说明：
....sscanf与scanf类似，都是用于输入的，只是后者以键盘(stdin)为输入源，前者以固定字符串为输入源。
....第一个参数可以是一个或多个 {%[*] [width] [{h | l | I64 | L}]type | ' ' | '\t' | '\n' | 非%符号}
....注：
　　1、 * 亦可用于格式中, (即 %*d 和 %*s) 加了星号 (*) 表示跳过此数据不读入. (也就是不把此数据读入参数中)
　　2、{a|b|c}表示a,b,c中选一，[d],表示可以有d也可以没有d。
　　3、width表示读取宽度。
　　4、{h | l | I64 | L}:参数的size,通常h表示单字节size，I表示2字节 size,L表示4字节size(double例外),l64表示8字节size。
　　5、type :这就很多了，就是%s,%d之类。
　　6、特别的：%*[width] [{h | l | I64 | L}]type 表示满足该条件的被过滤掉，不会向目标参数中写入值
　　失败返回0 ，否则返回格式化的参数个数

支持集合操作：

　　%[a-z] 表示匹配a到z中任意字符，贪婪性(尽可能多的匹配)
　　%[aB'] 匹配a、B、'中一员，贪婪性
　　%[^a] 匹配非a的任意字符，贪婪性

例子：

　　1. 常见用法。
　　char buf[512] ;
　　sscanf("123456 ", "%s", buf);//此处buf是数组名，它的意思是将123456以%s的形式存入buf中！
　　printf("%s\n", buf);
　　结果为：123456
　　2. 取指定长度的字符串。如在下例中，取最大长度为4字节的字符串。
　　sscanf("123456 ", "%4s", buf);
　　printf("%s\n", buf);
　　结果为：1234
　　3. 取到指定字符为止的字符串。如在下例中，取遇到空格为止字符串。
　　sscanf("123456 abcdedf", "%[^ ]", buf);
　　printf("%s\n", buf);
　　结果为：123456
　　4. 取仅包含指定字符集的字符串。如在下例中，取仅包含1到9和小写字母的字符串。
　　sscanf("123456abcdedfBCDEF", "%[1-9a-z]", buf);
　　printf("%s\n", buf);
　　结果为：123456abcdedf
　　当输入：
　　sscanf("123456abcdedfBCDEF","%[1-9A-Z]",buf);
　　printf("%s\n",buf);
　　结果为：123456
　　5. 取到指定字符集为止的字符串。如在下例中，取遇到大写字母为止的字符串。
　　sscanf("123456abcdedfBCDEF", "%[^A-Z]", buf);
　　printf("%s\n", buf);
　　结果为：123456abcdedf
　　6、给定一个字符串iios/12DDWDFF@122，获取 / 和 @ 之间的字符串，先将 "iios/"过滤掉，再将非'@'的一串内容送到buf中
　　sscanf("iios/12DDWDFF@122", "%*[^/]/%[^@]", buf);
　　printf("%s\n", buf);
　　结果为：12DDWDFF
　　7、给定一个字符串“hello, world”，仅保留world。（注意：“，”之后有一空格，%s遇空格停止，加*则是忽略第一个读到的字符串）
　　sscanf(“hello, world”, "%*s%s", buf);
　　printf("%s\n", buf);
　　结果为：world
　　%*s表示第一个匹配到的%s被过滤掉，即hello被过滤了
　　如果没有空格则结果为NULL。
　　sscanf的功能很类似于正则表达式, 但却没有正则表达式强大,所以如果对于比较复杂的字符串处理,建议使用正则表达式.
　　//-------------------------------------------------------
　　用它来分隔类似这样的字符串2006:03:18:
　　int a, b, c;
　　/*sscanf("2006:03:18", "%d:%d:%d", a, b, c); */ /*错误方法, 要在变量a,b,c前加上取地址符, modified by huanmie_09*/
　　sscanf("2006:03:18", "%d:%d:%d", &a, &b, &c);
　　以及2006:03:18 - 2006:04:18:
　　char sztime1[16] = "", sztime2[16] = "";
　　sscanf("2006:03:18 - 2006:04:18", "%s - %s", sztime1, sztime2);
　　但是后来，我需要处理2006:03:18-2006:04:18
　　仅仅是取消了‘-’两边的空格，却打破了%s对字符串的界定。
　　我需要重新设计一个函数来处理这样的情况？这并不复杂，但是，为了使所有的代码都有统一的风格，我需要改动很多地方，把已有的sscanf替换成我自己的分割函数。我以为我肯定需要这样做，并伴随着对sscanf的强烈不满而入睡；一觉醒来，发现其实不必。
　　format-type中有%[]这样的type field。如果读取的字符串，不是以空格来分隔的话，就可以使用%[]。
　　%[]类似于一个正则表达式。[a-z]表示读取a-z的所有字符，[^a-z]表示读取除a-z以外的所有字符。
　　所以那个问题也就迎刃而解了:
　　sscanf("2006:03:18 - 2006:04:18", "%[0-9,:] - %[0-9,:]", sztime1, sztime2);
　　在softmse (Jake) 的问题贴中 ，给出了一个很cool的sscanf用例，而后通过学习，发现sscanf真棒，现做一总结。
　　原问题：
　　iios/12DDWDFF@122
　　获取/和@之间的字符串怎么做
　　C程序里面有什么函数吗?
　　代码：
　　#include <stdio.h>
　　int main()
　　{
　　const char* s = "iios/12DDWDFF@122";
　　char buf[20];
　　sscanf( s, "%*[^/]/%[^@]", buf );
　　printf( "%s\n", buf );
　　return 0;
　　}
　　结果为:12DDWDFF

字符元 意义    
. 匹配单个字符    
[ ] 指定一个字符类，匹配方括号内的任意字符。例：[abc] 匹配 "a", "b"或 "c"。    
^ 如果^出现在字符类的开始处，它否定了字符类，这个被否定的字符类匹配除却方括号内的字符的字符。如：[^abc]匹配除了"a", "b"和"c"之外的字符。如果^出现在正则表达式前边，它匹配输入的开头，例：^[abc]匹配以"a", "b"或"c"开头的输入。    
- 在字符类中，指定一个字符的范围。例如：[0-9]匹配"0"到"9"的数字。    
? 指明?前的表达式是可选的，它可以匹配一次或不进行匹配。例如： [0-9][0-9]? 匹配"2"或"12"。    
+ 指明?前的表达式匹配一次或多次。例如：[0-9]+匹配"1", "13", "666"等。    
* 指明*前的表达式匹配零次或多次。    
??, +?, *? ?, +和*的非贪婪匹配版本，它们尽可能匹配较少的字符；而?, +和*则是贪婪版本，尽可能匹配较多的字符。例如：输入"<abc><def>", 则<.*?> 匹配"<abc>"，而<.*>匹配"<abc><def>"。    
( ) 分组操作符。例如：(d+,)*d+匹配一串由逗号分开的数字，例如： "1"或"1,23,456"。    
{ } 指明一个匹配群组，实际输入文本将匹配大括号内的表达式，匹配结果可以通过CAtlREMatchContext对象来获得。    
 转义字符，转义紧跟的字符。例如，[0-9]+ 匹配一个或多个数字，而 [0-9]+ 匹配一个数字后跟随一个加号的情况。反斜杠也用于表示缩写，a 就表示任何数字、字母。如果后紧跟一个数字n，则它匹配第n个匹配群组(从0开始)，例如，<{.*?}>.*?</0>匹配"<head>Contents</head>"。注意，在C++字符串中，反斜杠需要用双反斜杠来表示： "+", "a", "<{.*?}>.*?</0>"。    
$ 放在正则表达式的最后，它匹配输入的末端。例如：[0-9]$匹配输入的最后一个数字。    
| 间隔符，分隔两个表达式，以正确匹配其中一个，例如：T|the匹配"The" 或"the"。    
! 否定操作符，不匹配后边紧跟的表达式，例如：a!b 匹配后边不紧跟"b"的"a" 。  
缩写匹配
 
缩写 匹配    
a 字母、数字([a-zA-Z0-9])    
b 空格(blank): ([ t])    
c 字母([a-zA-Z])    
d 十进制数 ([0-9])    
h 十六进制数([0-9a-fA-F])    
n 换行: (r|(r?n))    
q 引用字符串("[^"]*")|('[^']*')    
w 一段文字 ([a-zA-Z]+)    
z 一个整数([0-9]+)