程式師世界 >> 編程語言 >> C語言 >> C++ >> C++入門知識 >> C++ 11 中正則表達式使用示例及源碼分析

C++ 11 中正則表達式使用示例及源碼分析

編輯：C++入門知識

C++ 11 中正則表達式使用示例及源碼分析

正則表達式Regex(regular expression)是一種強大的描述字符序列的工具。在許多語言中都存在著正則表達式，C++11中也將正則表達式納入了新標准的一部分，不僅如此，它還支持了6種不同的正則表達式的語法，分別是：ECMASCRIPT、basic、extended、awk、grep和egrep。其中 ECMASCRIPT是默認的語法，具體使用哪種語法我們可以在構造正則表達式的時候指定。

注：ECMAScript是一種由Ecma國際前身為歐洲計算機制造商協會,英文名稱是European Computer Manufacturers Association）通過ECMA-262標准化的腳本程序設計語言。它往往被稱為JavaScript，但實際上後者是ECMA-262標准的實現和擴展。

下面我們就以本篇博客的頁面http://www.cnblogs.com/ittinybird/p/4853532.html）源碼為例，從零開始演示如何在C++中使用正則表達式提取一個網頁源碼中所有可用的http鏈接。如果有時間的話，近期我想用C++11的新特性，改寫一下以前的 C++爬蟲程序，分享出來。

確保你的編譯器支持Regex

如果你的編譯器是GCC-4.9.0或者VS2013以下版本，請升級後，再使用。我之前使用的C++編譯器，是GCC 4.8.3，有regex頭文件，但是GCC很不厚道的沒有實現，語法完全支持，但是庫還沒跟上，所以編譯的時候是沒有問題的，但是一運行就會直接拋出異常，非常完美的一個坑有木有！具體錯誤如下：

terminate called after throwing an instance of 'std::regex_error'
what(): regex_error
Aborted (core dumped)

如果你也遇到了這個問題，請不要先懷疑自己，GCC這一點是非常坑爹的！！！我在這個上面浪費了半天的時間才找了出來。所以在嘗鮮C++的正則表達式之前，請升級你的編譯器，確保你的編譯器支持它。

regex庫概覽

在頭文件<regex>中包含了多個我們使用正則表達式時需要用到的組件，大致有：

basic_regex

正則表達式對象,是一個通用的模板，有typedef basic_regex<char> regex 和 typedef basic_regex<char_t>wregex；

regex_match

將一個字符序列和正則表達式匹配

regex_search

尋找字符序列中的子串中與正則表達式匹配的結果,在找到第一個匹配的結果後就會停止查找

regex_replace

使用格式化的替換文本，替換正則表達式匹配到字符序列的地方

regex_iterator

迭代器，用來匹配所有的子串

match_results

容器類，保存正則表達式匹配的結果。

sub_match

容器類，保存子正則表達式匹配的字符序列.

ECMASCRIPT正則表達式語法

正則表達式式的語法基本大同小異，在這裡就浪費篇幅細摳了。ECMASCRIPT正則表達式的語法知識可以參考W3CSCHOOL。

構造正則表達式

構造正則表達式用到一個類：basic_regex。basic_regex是一個正則表達式的通用類模板，對char和wchar_t類型都有對應的特化：

typedef basic_regex<char> regex;
typedef basic_regex<wchar_t> wregex;

構造函數比較多，但是非常簡單：

//默認構造函數，將匹配任何的字符序列
basic_regex();
//用一個以‘\0’結束的字符串s構造一個正則表達式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上，但是制定了用於構造的字符串s的長度為count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷貝構造，不贅述
basic_regex( const basic_regex& other );
//移動構造函數
basic_regex( basic_regex&& other );
//以basic_string類型的str構造正則表達式
template< class ST, class SA >
explicit basic_regex( const std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范圍[first,last)內的字符串構造正則表達式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list構造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );

以上除默認構造之外的構造函數，都有一個flag_type類型的參數用於指定正則表達式的語法，ECMASCRIPT、basic、 extended、awk、grep和egrep均是可選的值。除此之外還有其他幾種可能的的標志，用於改變正則表達式匹配時的規則和行為：

flag_type

effects

icase

在匹配過程中忽略大小寫

nosubs

不保存匹配的子表達式

optimize

執行速度優於構造速度

有了構造函數之後，現在我們就可以先構造出一個提取http鏈接的正則表達式：

std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?"); //匹配規則很簡單，如果有疑惑，可以對照語法查看
std::regex r(pattern);

值得一提的是在C++中’\'這個字符需要轉義，因此所有ECMASCRIPT正則表達式語法中的’\'都需要寫成“\\”的形式。我測試的時候，這段regex如果沒有加轉義，在gcc中會給出警告提示，vs2013編譯後後運行直接崩潰了。

正確地處理輸入

先扯一個題外話，假設我們不是使用了網絡庫自動在程序中下載的網頁，在我們手動下載了網頁並保存到文件後，首先我們要做的還是先把網頁的內容(html源碼)存入一個std::string中，我們可能會使用這樣的錯誤方式：

int main()
{
    std::string tmp,html;
    while(std::cin >> tmp)
        html += tmp;
}

這樣一來源代碼中所有的空白字符就無意中被我們全處理了，這顯然不合適。這裡我們還是使用getline()這個函數來處理：

int main()
{
    std::string tmp,html;
    while(getline(std::cin,tmp))
    {
        html += tmp;
        html += '\n';
    }
}

這樣一來原來的文本才能得到正確的輸入。當然個人以為這些小細節還是值得注意的，到時候出錯debug的時候，我想我們更多地懷疑的是自己的正則表達式是否是有效。

regex_search()只查找到第一個匹配的子序列

根據函數的字面語義，我們可能會錯誤的選擇regex_search()這個函數來進行匹配。其函數原型也有6個重載的版本，用法也是大同小異，函數返回值是bool值，成功返回true，失敗返回false。鑒於篇幅，我們只看我們下面要使用的這個：

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 );

第一個參數s是std::basic_string類型的，它是我們待匹配的字符序列，參數m是一個match_results的容器用於存放匹配到的結果，參數e則是用來存放我們之前構造的正則表達式對象。flags參數值得一提，它的類型是 std::regex_constants::match_flag_type，語義上匹配標志的意思。正如在構造正則表達式對象時我們可以指定選項如何處理正則表達式一樣，在匹配的過程中我們依然可以指定另外的標志來控制匹配的規則。這些標志的具體含義，我從cppreference.com 引用過來，用的時候查一下就可以了：

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

根據參數類型，於是我們構造了這樣的調用：

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

不過，標准庫規定regex_search()在查找到第一個匹配的子串後，就會停止查找！在本程序中，results參數只帶回了第一個滿足條件的http鏈接。這顯然並不能滿足我們要提取網頁中所有HTTP鏈接需要。

使用regex_iterator匹配所有子串

嚴格意義上regex_iterator是一種迭代器適配器，它用來綁定要匹配的字符序列和regex對象。regex_iterator的默認構造函數比較特殊，就直接構造了一個尾後迭代器。另外一個構造函數原型：

regex_iterator(BidirIt a, BidirIt b,                                                           //分別是待匹配字符序列的首迭代器和尾後迭代器
               const regex_type& re,                                                           //regex對象
               std::regex_constants::match_flag_type m = std::regex_constants::match_default); //標志，同上面的regex_search()中的

和上邊的regex_search()一樣，regex_iterator的構造函數中也有 std::regex_constants::match_flag_type類型的參數，用法一樣。其實regex_iterator的內部實現就是調用了regex_search()，這個參數是用來傳遞給regex_search()的。用gif或許可以演示的比較形象一點，具體是這樣工作的顏色加深部分，表示可以匹配的子序列）：

首先在構造regex_iterator的時候，構造函數中首先就調用一次regex_search()將迭代器it指向了第一個匹配的子序列。以後的每一次迭代的過程中++it），都會在以後剩下的子序列中繼續調用regex_search()，直到迭代器走到最後。it就一直“指向”了匹配的子序列。

知道了原理，我們寫起來代碼就輕松多了。結合前面的部分我們，這個程序就基本寫好了：

#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是尾後迭代器，regex_iterator是regex_iterator的string類型的版本
        it != end;
        ++it)
    {
        std::cout << it->str() << std::endl;
    }
}