C++正则表达式使用
叶光纪 人气:1正则表达式
正则表达式(regular expression)是一种描述字符序列的方法，是一种极其强大的计算工具。
C++正则表达式库(RE库)定义在<regex>中，它包含多个组件。
RE库组件
| 解释 | |
|---|---|
| regex | 表示有一个正则表达式的类 |
| regex_match | 将一个字符序列与一个正则表达式匹配 |
| regex_search | 寻找第一个与正则表达式匹配的子序列 |
| regex_replace | 使用给定格式替换一个正则表达式 |
| sregex_iterator | 迭代器适配器，调用regex_search来遍历一个string中所有匹配的子串 |
| smatch | 容器类，保存在string中搜索的结果 |
| ssub_match | string中匹配的子表达式的结果 |
正则表达式的使用
#include <regex>
void test()
{
//查找不是在字符c之后的ei组合存在的单词
string pattern("[^c]ei");
pattern = "[[:alpha:]]*" + pattern + "[[:alpha:]]*";
regex r(pattern);
smatch results;
string test_str("receipt freind theif receive");
if (regex_search(test_str, results, r))
cout << results.str() << endl;//freind
}
regex迭代器类型
上面的程序只能查找第一个匹配到的单词，如果想获得所有匹配，可以使用sregex_iterator。
for (sregex_iterator it(test_str.begin(),test_str.end(),r), end_it;it != end_it;++it) {
cout << it->str() << endl;
}
输出：
freind
theif
for循环中定义了两个迭代器，it负责寻找匹配的单词，end_it是一个空迭代器，起到尾后迭代器的作用。
解引用迭代器会得到一个匹配结果的smatch对象。
除了得到匹配的smatch对象以外，还可以得到其上下文。
for (sregex_iterator it(test_str.begin(),test_str.end(),r), end_it;it != end_it;++it) {
auto pos = it->prefix().length();
pos = pos > 40 ? pos - 40 : 0;
cout << it->prefix().str().substr(pos)
<< "[ " << it->str() << " ]"
<< it->suffix().str().substr(0, 40)
<< endl;
}
输出：
receipt [ freind ] theif receive
[ theif ] receive
使用prefix和suffix函数可以得到匹配之前和之后的ssub_match对象。
smatch相关操作
| 解释 | |
|---|---|
| m.ready() | 若已通过regex_search或regex_match设置了m，则返回true；否则返回false |
| m.size() | 如果匹配失败，返回0；否则返回最近一次匹配的正则表达式中子表达式的数目 |
| m.empty() | 若m.size()==0，返回true |
| m.prefix() | 一个ssub_match对象，表示当前匹配之前的序列 |
| m.suffix() | 一个ssub_match对象，表示当前匹配之后的部分 |
| m.format() | 格式化输出 |
| m.length(n) | 第n个匹配的子表达式的大小 |
| m.position(n) | 第n个子表达式距序列开始的距离 |
| m.str(n) | 第n个子表达式匹配的string |
| m[n] | 对应第n个子表达式的ssub_match对象 |
| m.begin(),m.end() | m中sub_match元素范围的迭代器 |
| m.cbegin(),m.cend() | m中sub_match元素范围的常量迭代器 |
这些操作也适用于cmatch、wsmatch、wcmatch和对应的子匹配对象。
子表达式
正则表达式中的模式通常包含一个或多个子表达式(subexpression)。
一个子表达式是模式的一部分，本身也具有意义。
正则表达式语法同常用小括号表示子表达式。
eg: 可以使用子表达式来匹配文件扩展名
regex r("([[:alnum:]]+)\\.(cpp|cxx|cc)$");
现在模式中有两个小括号表示的子表达式：
- ([[:alnum:]]+) 匹配一个或多个数字字母序列
- (cpp|cxx|cc) 匹配cpp或cxx或cc等扩展名
通过使用str(n)来打印子表达式
if (regex_search(filename, results, r)) cout << results.str(1) << endl;//打印第一个子表达式
参数0代表整个对应的匹配，参数1表示第一个子表达式。
如，foo.cpp中，results.str(0)将保存foo.cpp，results.str(1)将保存foo。
子表达式用于数据验证
子表达式的一个常见用途是验证必须匹配特定格式的数据。
eg:匹配联通号码
中国联通号段：130、131、132、145、155、156、166、175、176、185、186、196
使用开源工具Regulex实现正则表达式设计可视化。
void test02()
{
//匹配联通号码
string UnicomNumber("\\b(1)(3[0-2]|[4578]5|[5-9]6)(\\d{4})(\\d{4})\\b");
regex r(UnicomNumber);
string testNumbers("130123456789 23112345678 7602125 1320000 16512345678 14512345678 17612345678");
for (sregex_iterator it(testNumbers.begin(), testNumbers.end(), r), end_it;it != end_it;++it) {
cout << it->str() << endl;
}
}
结果：
1451234567817612345678
解释：
在模式UnicomNumber中，有4个子表达式
| 子表达式索引号 | 子表达式 | 含义 |
|---|---|---|
| 子表达式1 | (1) | 匹配1 |
| 子表达式2 | (3[0-2]|[4578]5|[5-9]6) | 匹配30/31/32/45/55/75/85/56/66/76/86/96 |
| 子表达式3 | (\d{4}) | 匹配任意4个数字 |
| 子表达式4 | (\d{4}) | 匹配任意4个数字 |
此外，"\b"匹配单词边界，可以理解为空格与单词的分界线。"\d"匹配任意数字。[]内表示多选一，{n}表示匹配n个，子表达式内"|"表示或。
并且，在正则表达式语法中"\“具有转义作用，在C++中也有转义作用，因此，为了得到正则表达式中的”\"，需要在string中额外加一个"\"。所以我们的表达式中会有"\\b"和"\\d"。
在正则匹配过程中，迭代器查找每一个号码，进行分析
| 号码 | 分析 |
|---|---|
| 130123456789 | 多了一位数字，单词边界匹配失败 |
| 23112345678 | 子表达式1匹配失败 |
| 7602125 | 子表达式1匹配失败 |
| 1320000 | 子表达式3匹配失败(或者说是边界匹配失败？) |
| 16512345678 | 子表达式2匹配失败 |
| 14512345678 | 匹配成功 |
| 17612345678 | 匹配成功 |
子匹配操作
ssub_match的相关操作
| 解释 | |
|---|---|
| matched | 一个public bool成员，指出此ssub_match是否匹配了 |
| first,second | public数据成员，指向匹配序列首元素和尾后迭代器 |
| length() | 匹配的大小 |
| str() | 匹配的string |
| s = ssub | 将ssub_match对象转化为string对象 |
添加一段代码，测试一下matched成员
for (sregex_iterator it(testNumbers.begin(), testNumbers.end(), r), end_it;it != end_it;++it) {
cout << it->str() << endl;
cout << "\t" << (*it)[4].matched << endl;
}
结果
14512345678
1
17612345678
1
这里的matched为true表示匹配到了，当然，UnicomNumber的子表达式并非是可选匹配的(用"?"跟在一个表达式后表示可以有1个或0个该表达式)，所以它的四个子表达式全部匹配到了，若是可选表达式，可能会出现matched为false的情况。
regex_replace
正则表达式不仅用在查找给定序列方面，当我们想将查找到的序列替换为另一个序列时，可使用regex_replace。
eg:格式化输出电话号码
void test03()
{
string UnicomNumber("\\b(1)(3[0-2]|[4578]5|[5-9]6)(\\d{4})(\\d{4})\\b");
regex r(UnicomNumber);
string fmt = "$1$2 $3 $4";
string number = "14512345678";
cout << regex_replace(number,r,fmt) << endl;
}
结果：
145 1234 5678
解释：
使用"$"后跟子表达式的索引号来表示一个特定的子表达式。
在"$1$2 $3 $4"中，希望子表达式1和2在一起，跟子表达式3和4之间都使用空格(" ")隔开。
参考资料
《C++ Primer 第5版》
总结
加载全部内容