Loup&卡普

Loup&卡普

关注
发信
关注(28)粉丝(399)

【C++】标准库 — 正则表达式 std::regex

C++ 标准库 — 正则表达式 std::regex

I - 正则表达式概述

从 C++11 起，标准库增加了正则表达式 (Regular Expression) — std::regex ，包含在头文件 <regex> 中。
描述字符序列的方法，用于字符（串）的模式/模糊匹配。

用途 ，一般只有两种用途：

  1. 查找 （是否包含，找出来）
std::regex_match(seq, r, mft); // (seq, m, r, mft)
std::regex_search(seq, r, mft); // (seq, m, r, mft)
  1. 替换（替换内容，替换格式）
std::regex_replace(seq, r, fmt, mft);

II - 内容

正则表达式各语言间通用，ECMAScript 规范，在不同语言间，有可能伴随很小的差异。主要包含三种内容：

    1. 匹配字符 \w\d\s
    1. 匹配数量 +*?{n}
    1. 内置字符特殊用途 ^$[]

2.1 - 匹配字符

基础字符

字母大小写表示匹配相反的内容

内置通用字符簇

注意：alpha 不为希腊字母 α 。
alpha = alphabet 字母表，26 个字母，也就是全部的字母
alnum = alphanumeric 含有数字和字母的，有些库提供接口如

isAlphanumeric() // 表示字符串或序列是否由数字和字母组成

punct = punctuation 标点

2.2 - 匹配数量/次数

2.3 - 特殊字符的用途

示例：匹配一个 C++ 源文件

std::regex r("[[:alnum:]]+\\.(cpp|cxx|cc)$");

通常一个 C++ 的源文件，形式为 字母数字加 . 加后缀名 cpp/cxx/cc 结尾。$ 即是表示字符串结尾。由于 . 有特殊用途所以表示一个点字符则需要加上 \，而反斜杠在 C++ 中为转义字符，所以表示一个反斜杠需要使用双反斜杠 \\ ，因此正则表达式表示匹配一个点字符为：\\.

III - 使用

3.1 - 正则表达式有不止一种写法

像 [0-9] 代表的含意与 \d 就是完全等价的，表示一个数字字符
再者如 [a-z0-9A-Z_] 也完全等同于 \w 表示一个字母/数字/下划线字符。

3.2 - 内置通用字符簇特殊用法

内置通用字符簇可以添加字符，也可以反向匹配，如：

[^[:digit:]] 等价于 \D ，所有非数字字符
[^[:space:]] 等价于 \S ，所有非空白符
[_[:alnum:]] 等价于 \w ，字母/数字/下划线字符
[^_[:alnum:]] 等价于 \W ， 所有非字母/数字/下划线字符

3.3 - 元字符使用

\b 并不匹配字符，而是匹配字符位置，与 ^ 和 $ 类似。

例如匹配字符两端加上 \b 即可做到整词匹配 (whole word)，如 \bword\b 只会匹配到 word，而不会匹配到如 sword 或 words 等。

示例：匹配一个 IP 地址

std::regex ip("\\b(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\."
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\."
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\."
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\b");

首尾的 \\b 表示整词匹配，\\. 表示匹配 IP 地址中的点符号, () 表示一个子表达式。
子表达式中分三部分，

  • 第一部分 - 可以为 250 到 255
  • 第二部分 - 200 到 249
  • 第三部分 - ? 表示存在或不存在， [01]? 表示百位的 0 或 1 或者不存在，有时写 IP 时可不写为 0 的高位数 如 247.231.3.19 。 后置的 [0-9]? 可与前面的 [0-9] 结合表示两位数字，或者不存在，使用前者表示单个数字。

3.4 - 零宽断言

(Lookahead and Lookbehind Zero-Length Assertions)

用于查找在某些内容 (但并不包括这些内容) 之前或之后的内容，也就是说它们像 \b , ^ , $ 那样用于指定一个位置，这个位置应该满足一定的条件 (即断言) ，因此它们也被称为零宽断言。

(?=exp) 称为零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式 exp。比如 \b\w+(?=s\b)，匹配以 s 结尾的单词前面的部分（除了 s 以外的部分），如查找句子 There are some books, some fruits and some cups。时，它会匹配 book, fruit 和 cup。

(?<=exp) 称为零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式 exp 。如 (?<=\bre)\w+\b 会匹配以 re 开头的单词后面的部分 (除了 re 以外的部分)，例如在查找 redo an action 时，它匹配 do 。

以下两种为确保不存在的断言，类似于前面讲到的反向匹配，可结合 [a-z] 和 [^a-z] 来理解。

(?!exp) 称为零宽度负预测先行断言，断言此位置的后面不能匹配表达式 exp 。例如：\d{3}(?!\d) 匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b 匹配不包含连续字符串abc的单词。

(?<!exp) 称为零宽度负回顾后发断言，用来断言此位置的前面不能匹配表达式 exp 。(?<![a-z])\d{7} 匹配前面不是小写字母的七位数字。

速记：

= 表示相同，即匹配， ! 表示取反，即反向匹配，无 < 为预测，有 < 为回顾

3.5 - 宽字符匹配

正则表达式提供一套宽字符类型的操作

std::wregex;
std::wregex_iterator;

3.6 - 代码示例

格式转换示例

string phone = "(\\()?(\\d{3})(\\)?)([-. ])?(\\d{3})([-. ])?(\\d{4})";
regex r(phone);
smatch m;
string s = "morgan (609) 555-0132 201.555.0175 800.555.0000";
string fmt = "$2.$5.$7";// 将号码格式改为 ddd.ddd.dddd
cout << regex_replace(s, r, fmt) << endl;
cout << regex_replace(s, r, fmt, regex_constants::format_no_copy) << endl;

输出

morgan 609.555.0132 201.555.0175 800.555.0000
609.555.0132 201.555.0175 800.555.0000
  • 代码中正则表达式表示 7 个子表达式
"(\\()?(\\d{3})(\\)?)([-. ])?(\\d{3})([-. ])?(\\d{4})"
  1. (\\()? 左括号，是否存在
  2. (\\d{3}) 三位数字
  3. (\\)?) 右括号，是否存在
  4. ([-. ])? 减符号，点符号，空格，以及子表达式是否存在
  5. (\\d{3}) 三位数字
  6. ([-. ])? 减符号，点符号，空格，以及子表达式是否存在，同表达式 4
  7. (\\d{4}) 四位数字

  • 其中代码中变量 fmt 值中的 $2.$5.$7 分别代表第 2 个表达式，第 5 个表达式，第 7 个表达式，中间使用点符号分开。
    第 0 个表达式为全集，超过第 7 个表达式即为空。

  • regex_constants::format_no_copy 表示不输出序列中未匹配的部分

3.7 - 注意事项

正则表达式不为 C++ 的一部分，所以无法做到编译时检查，可能会出现运行时构造错误，不符合正则表达式语法的情况。

在大型项目中使用正则表达式时，可以先写一个小程序的 demo ，用于检测正则表达式是否语法正确，避免大型程序需要较长的运行时间才会构建正则表达式对象，在遇到不符合语法导致抛出异常，反复修改至正常运行，从而浪费了较多时间。

示例代码

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

此种情况下会输出

regex_error(error_brack):
The expression contained mismatched [ and ].
code: 4

代码中 regex::icase 表示忽略字母大小写

IV - 参考链接

06-26 05:13
Powered by LMLPHP ©2024 Loup&卡普 0.001833