c++中正则表达式(regex)

简介:

http://www.codeceo.com/article/cpp11-regex-code.html

regex库概览

1.basic_regex:正则表达式是一个通用的模板
typedef basic_regex<char> regex;
typedef basic_regex<char_t> wregex;

2.regex_match:将一个字符序列和正则表达式匹配

3.regex_search:寻找字符序列中的子串与正则表达式匹配的
结果,在找到地一个匹配的结果后就停止匹配查找

4.regex_replace:使用格式化的替换文本,替换正则表达式匹配到
字符序列的地方

5.reegx_iterator:迭代器,用来匹配所有的子串

6.match_results:容器类,保存正则表达式的结果

7.sub_match:容器类,保存子正则表达式匹配的字符序列 


ECMASCRIPT正则表达式语法

正则表达式式的语法基本大同小异,在这里就浪费篇幅细抠了。ECMASCRIPT正则表达式的语法知识可以参考W3CSCHOOL




构造正则表达式

构造正则表达式用到一个类:basic_regex。basic_regex是一个正则表达式的通用类模板,对char和wchar_t类型都有对应的特化:

1
2
typedef basic_regex<char>    regex;
typedef basic_regex<wchar_t> wregex
?
//默认构造函数,将匹配任何的字符序列basic_regex();
//用一个以‘\0’结束的字符串s构造一个正则表达式
explicit  basic_regex(  const  CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上,但是制定了用于构造的字符串s的长度为
countbasic_regex(  const  CharT* s, std:: size_t  count,flag_type f = std::regex_constants::ECMAScript );
//拷贝构造,不赘述basic_regex( const basic_regex& other );
//移动构造函数basic_regex( basic_regex&& other );
//以basic_string类型的str构造正则表达式
template class  ST,  class  SA >
explicit  basic_regex(  const  std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范围[first,last)内的字符串构造正则表达式
template class  ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list构造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );


以上除默认构造之外的构造函数,都有一个flag_type类型的参数用于指定正则表达式的语法,ECMASCRIPT、basic、extended、awk、grep和egrep均是可选的值。除此之外还有其他几种可能的的标志,用于改变正则表达式匹配时的规则和行为:


flag_type


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


有了构造函数之后,现在我们就可以先构造出一个提取http链接的正则表达式:

?
std::string pattern( "http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?" ); 
    //匹配规则很简单,如果有疑惑,可以对照语法查看std::regex r(pattern);

值得一提的是在C++中’\'这个字符需要转义,因此所有ECMASCRIPT正则表达式语法中的’\'都需要写成“\\”的形式。我测试的时候,这段regex如果没有加转义,在gcc中会给出警告提示.





regex_search()只查找到第一个匹配的子序列

根据函数的字面语义,我们可能会错误的选择regex_search()这个函数来进行匹配。其函数原型也有6个重载的版本,用法也是大同小异,函数返回值是bool值,成功返回true,失败返回false。鉴于篇幅,我们只看我们下面要使用的这个:

?
template class  STraits,  class  SAlloc, class  Alloc,  class  CharT,  class  Traits >
bool  regex_search(  const  std::basic_string<CharT,STraits,SAlloc>& s,
                    std::match_results< typename  std::basic_string<CharT,STraits,SAlloc>::const_iterator, Alloc>& m,
                    const  std::basic_regex<CharT, Traits>& e,
                    std::regex_constants::match_flag_type flags = std::regex_constants::match_default );

第一个参数s是std::basic_string类型的,它是我们待匹配的字符序列,参数m是一个match_results的容器用于存放匹配到的结果,参数e则是用来存放我们之前构造的正则表达式对象。flags参数值得一提,它的类型是std::regex_constants::match_flag_type,语义上匹配标志的意思。正如在构造正则表达式对象时我们可以指定选项如何处理正则表达式一样,在匹配的过程中我们依然可以指定另外的标志来控制匹配的规则。这些标志的具体含义,我从cppreference.com 引用过来,用的时候查一下就可以了:

Constant Explanation
match_not_bol The first character in [first,last) will be treated as if it is not at the beginning of a line (i.e. ^ will not match [first,first)
match_not_eol The last character in [first,last) will be treated as if it is not at the end of a line (i.e. $ will not match[last,last)
match_not_bow "\b" will not match [first,first)
match_not_eow "\b" will not match [last,last)
match_any If more than one match is possible, then any match is an acceptable result
match_not_null Do not match empty sequences
match_continuous Only match a sub-sequence that begins at first
match_prev_avail --first is a valid iterator position. When set, causes match_not_bol and match_not_bow to be ignored
format_default Use ECMAScript rules to construct strings in std::regex_replace (syntax documentation)
format_sed Use POSIX sed utility rules in std::regex_replace. (syntax documentation)
format_no_copy Do not copy un-matched strings to the output in std::regex_replace

根据参数类型,于是我们构造了这样的调用:

?
std::smatch results;<br>regex_search(html,results,r);

不过,标准库规定regex_search()在查找到第一个匹配的子串后,就会停止查找!在本程序中,results参数只带回了第一个满足条件的http链接。这显然并不能满足我们要提取网页中所有HTTP链接需要。



使用regex_iterator匹配所有子串

严格意义上regex_iterator是一种迭代器适配器,它用来绑定要匹配的字符序列和regex对象。regex_iterator的默认构造函数比较特殊,就直接构造了一个尾后迭代器。另外一个构造函数原型:

?
regex_iterator(BidirIt a, BidirIt b,  
//分别是待匹配字符序列的首迭代器和尾后迭代器 const regex_type& re,
//regex对象 std::regex_constants::match_flag_type m =
std::regex_constants::match_default);
//标志,同上面的regex_search()中的

和上边的regex_search()一样,regex_iterator的构造函数中也有std::regex_constants::match_flag_type类型的参数,用法一样。其实regex_iterator的内部实现就是调用了regex_search(),这个参数是用来传递给regex_search()的。用gif或许可以演示的比较形象一点,具体是这样工作的(颜色加深部分,表示可以匹配的子序列):

首先在构造regex_iterator的时候,构造函数中首先就调用一次regex_search()将迭代器it指向了第一个匹配的子序列。以后的每一次迭代的过程中(++it),都会在以后剩下的子序列中继续调用regex_search(),直到迭代器走到最后。it就一直“指向”了匹配的子序列。

知道了原理,我们写起来代码就轻松多了。结合前面的部分我们,这个程序就基本写好了:

?
#include <iostream>
#include <regex>
#include <string>
int  main()
{
     std::string tmp,html;
     while (getline(std::cin,tmp))
     {
         tmp +=  '\n' ;
         html += tmp;
     }
     std::string pattern("http(s)?: //([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?”);
     pattern = “[[:alpha:]]*” + pattern + “[[:alpha:]]*”;
     std::regex r(pattern);
     for  (std::sregex_iterator it(html.begin(), html.end(), r), end;   
       //end是尾后迭代器,regex_iterator是regex_iterator的string类型的版本
         it != end;
         ++it)
     {
         std::cout << it->str() << std::endl;
     }
}
下载本页的html源码保存为test.html,编译这个源码测试一下,大功告成:
[regex]g++ regex.cpp  -std=c++11 -omain
[regex]main < test.html

regex和异常处理

如果我们的正则表达式存在错误,则在运行的时候标准库会抛出一个regex_error异常,他有一个名为code的成员,用于标记错误的类型,具体错误值和语义如下表所示:

code 含义
error_collate 无效的元素校对
error_ctype 无效的字符类
error_escape 无效的转移字符或者无效的尾置转义
error_backref 无效的向后引用
error_brack 方括号不匹配
error_paren 小括号不匹配
error_brace 大括号不匹配
error_badbrace 大括号中的范围无效
error_range 无效的(不合法)字符范围
error_space 内存不足
error_badrepeat 重复字符之前没有正则表达式(* + ?)
error_complexity 太复杂了,标准库君hold不住了
error_stack 栈空间不足了




本文转自神ge 51CTO博客,原文链接:http://blog.51cto.com/12218412/1872142


相关文章
|
23天前
|
算法 编译器 C++
C++一分钟之—Lambda表达式初探
【6月更文挑战第22天】C++的Lambda表达式是匿名函数的快捷方式,增强函数式编程能力。基本语法:`[capture](params) -&gt; ret_type { body }`。例如,简单的加法lambda:`[](int a, int b) { return a + b; }`。Lambda可用于捕获外部变量(值/引用),作为函数参数,如在`std::sort`中定制比较。注意点包括正确使用捕获列表、`mutable`关键字和返回类型推导。通过实践和理解这些概念,可以写出更简洁高效的C++代码。
34 13
|
22天前
|
C++
C++语言的lambda表达式
C++从函数对象到lambda表达式以及操作参数化
|
27天前
|
C++
C++一分钟之-理解C++的运算符与表达式
【6月更文挑战第18C++的运算符和表达式构成了编程的基础,涉及数学计算、逻辑判断、对象操作和内存管理。算术、关系、逻辑、位、赋值运算符各有用途,如`+`、`-`做加减,`==`、`!=`做比较。理解运算符优先级和结合律至关重要。常见错误包括优先级混淆、整数除法截断、逻辑运算符误用和位运算误解。解决策略包括明确优先级、确保浮点数除法、正确使用逻辑运算符和谨慎进行位运算。通过实例代码学习,如 `(a &gt; b) ? &quot;greater&quot; : &quot;not greater&quot;`,能够帮助更好地理解和应用这些概念。掌握这些基础知识是编写高效、清晰C++代码的关键。
21 3
|
8天前
|
存储 C++ 容器
C++一分钟之-正则表达式库(regex)
【7月更文挑战第7天】C++从C++11开始支持正则表达式,通过`&lt;regex&gt;`库提供功能。本文涵盖基本概念如`std::regex`、`std::smatch`,以及`regex_search`和`regex_match`的使用。常见问题包括大小写敏感性、特殊字符转义、贪婪与非贪婪匹配和捕获组。提供的代码示例展示了如何进行匹配、不区分大小写的匹配、特殊字符匹配、贪婪与非贪婪匹配和捕获组的使用。理解并练习正则表达式能提升文本处理效率。
13 0
|
1月前
|
C语言 C++ 容器
c++primer plus 6 读书笔记 第五章 循环和关系表达式
c++primer plus 6 读书笔记 第五章 循环和关系表达式
|
2月前
|
机器学习/深度学习 Python
正则表达式(Regular Expression,常简写为regex或regexp)是一种强大的文本处理工具
【5月更文挑战第12天】正则表达式是文本处理工具,Python的re模块支持其使用。元字符如.、*、+、?等在正则表达式中具有特殊含义,用于指定匹配规则。示例中,通过正则表达式模式匹配字符串中的电子邮件地址,并使用re.findall()找出所有匹配项。
41 4
|
1月前
|
C++
C++ lambda表达式
C++ lambda表达式
|
2月前
|
算法 编译器 程序员
【C++入门到精通】 Lambda表达式 C++11 [ C++入门 ]
【C++入门到精通】 Lambda表达式 C++11 [ C++入门 ]
22 1
|
2月前
|
存储 算法 C++
C++11:lambda表达式 & 包装器
C++11:lambda表达式 & 包装器
20 0
|
1月前
|
数据库 Python
Python网络数据抓取(8):正则表达式
Python网络数据抓取(8):正则表达式
20 2