C++使用正则表达式的详细教程

目录

• 正则表达式
• RE库组件
• 正则表达式的使用
• regex迭代器类型
• smatch相关操作
• 子表达式
• 子表达式用于数据验证
• 子匹配操作
• regex_replace
• 总结 

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

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

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

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

子匹配操作

ssub_match的相关操作

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