C++正则表达式

目录C++正则总述ECMAScript支持的正则具有特殊意义的元字符量词元字符C++支持的正则C++使用正则匹配与否捕获更高级的捕捉捕捉的同时生成新串参考资料

转载请说明出处。

C++正则

总述

正则是一种规则,它用来匹配(进而捕获、替换)字符串。这种规则需要“模式”、“字符串”这两样东西,“模式”根据正则规则,来处理“字符串”。

这种规则被许多语言支持,C++11以后才支持正则。

C++11支持的正则和其他语言支持的正则有区别,本篇记录的目的不在于讲解正则,也不在于阐述C++11支持的正则详细是什么,而是只记下常见的、够用的正则规则(以供速查,应有不严谨之处)及使用用法。

ECMAScript支持的正则

正则由元字符和普通字符组成。普通字符就代表它原本的含义;元字符的意义不同于该字符本来的含义,而是有特殊的意义和功能。

根据其意义功能划分,可将元字符划分为:

具有特殊意义的元字符

\\字符能够改变字符原本的含义

^^字符指示字符串的头,且要求字符串以字符开头,不占位。\^表示一个真正的^符号。

$$字符指示字符串的尾,且要求字符串以字符结尾,不占位。\$表示一个真正的$符号。

():分组,大正则中包含小正则。可以改变默认的优先级。在模式中可以使用\1来表示第一组已然捕获到的东西。

\b:指示字符串的边界(头/尾/空格左/空格右),字符\b要求边界的左边是字符\b字符要求边界的右边是字符

.:表示一个除了\n以外的任意一个字符。\.表示一个真正的.符号。

|字符串1|字符串2表示一个字符串,该字符串是字符串1、字符串2中的一个。|在正则中的优先级比较混乱,所以建议加上足够多的括号来分组。

[][字符1字符2字符3...]表示一个字符,该字符是字符1、字符2、字符3……中的某一个。中括号中出现的所有字符都是代表本身意思的字符(没有特殊含义),如[.]只能匹配.符号,而不能匹配任意符号。

[^字符1字符2字符3...]表示一个字符,该字符不是字符1、字符2、字符3……中的任何一个

[a-z]表示一个字符,该字符是a、b、c……z中的某一个

[^a-z]表示一个字符,该字符不是a、b、c……z中的任何一个

\w:表示一个字符,该字符是数字、字母、下划线中的某一个。等价于[(0-9)(a-z)(A-Z)(_)]

\W:表示一个字符,该字符不是数字、字母、下划线中的任何一个。等价于[]

\d表示一个字符,该字符是0、1、2……9中的某一个

\D表示一个字符,该字符不是0、1、2……9中的任何一个

\s表示一个字符,该字符是空白符(空格、制表符、换页符)2、代表出现次数的

量词元字符

*字符*要求字符出现0到多次

+字符+要求字符出现1到多次

?字符?要求字符出现0次或1次

{n}字符{n}要求字符出现n次

{n,}字符{n,}要求字符出现n到多次

{n,m}字符{n,m}要求字符出现n到m次、

C++支持的正则

C++可以支持ECMAScript支持的正则,也可以支持grep支持的正则等等。

由于我本人较熟悉ECMAScript支持的正则,且C++默认支持的即是它,所以我接下来讲的也是这种正则。

首先要举一个例子解释一下,

/**在ECMAScript中写一个匹配11位电话号码的正则模式是这样写的**/
var r = /\d{1, 11}/;
/**在C++中写一个匹配11位电话号码的正则模式是这样写的**/
regex r("\\d{1, 11}")

看似不一样,其实是一样的,因为传递给regex构造函数的参数是一个字符串,该字符串被C++编译器解析时,将\\解释为真正的\(由于C++中的字符\是转义字符),解析出来的\和紧随其后的d组合,形成了真正的\d,表示一个数字字符。

所以含有\的元字符,在C++定义时,都要写成\\

C++使用正则

匹配与否

头文件<regex>中的regex_matchregex_search均可以进行匹配,返回一个布尔类型,匹配成功为true,匹配失败为false。

不同点:前者要求完全匹配,后者要求子串匹配即可;

下面以regex_match为例,regex_search的写法与之相同,故不赘述。

string str = "hhh233";
regex r("[a-z0-9]+");

// 用法一
bool flag = regex_match(str,r);
// 用法二
bool flag = regex_match(str,regex("\\d+"));
// 用法三
bool flag = regex_match(str.begin()+7,str.end(),regex("\\d+"));

捕获

捕获就是先匹配,然后将匹配结果存储下来。捕获同样是使用上面介绍的那两个函数,仍然区分为整串匹配和子串匹配。

捕获的步骤:

  1. 模式中一般要有分组(因为捕捉的正是分组匹配的结果)
  2. 定义一个STL容器smatch,用来保存捕捉的结果
  3. 使用reg_search函数匹配,用smatch的实例存储匹配的结果,即完成捕捉。
  4. 使用m.size(),查看捕捉到的个数;使用m.str(i),查看捕捉到的字符串;【注意:m.str(0)一定是整个正则匹配到的部分,m.str(1)及以后才是分组捕获的结果】
  5. m.prefix().str()获取整个匹配之前的字符串;m.suffix().str()获取整个匹配之后的字符串

代码:

#include <bits/stdc++.h>
using namespace std;
int main()
{
    string str;
    while(true){
        cin >> str;
        regex e("([[:w:]]+)@([[:w:]]+)\.com");
        smatch m;
        bool found = regex_search(str, m, e);
        if(found)
        {
            cout << "m.size() " << m.size() << endl;
            for(int i=0; i<m.size(); ++i){
                cout << "m.str(" << i << "): " << m.str(i) << endl;
            }
            cout << "m.prefix().str(): " << m.prefix().str() << endl;
            cout << "m.suffix().str(): " << m.suffix().str() << endl;
        }
        else cout << "Not Found" << endl;
        return 0;
        
        
    }
}

结果为:

补充:

  1. 获取第i个匹配m.str(i),还有其他等价写法:m[i].str()*(m.begin() + i)
  2. 模式其实可以不分组...这样就只有m.str(0)捕捉到整个串,没有m.str(1)其他的了。

更高级的捕捉

由于regex_replace方法只能捕捉到第一个匹配,想要捕捉到每一个匹配,以及匹配内的分组,需要使用另外一种方法:

步骤:

  1. 正则内有分组
  2. 定义迭代器的同时初始化迭代器,使其指向一个smatch实例的数组。
  3. 定义end,标志smatch实例的数组的末尾
  4. 使用迭代器遍历数组

代码:

#include <bits/stdc++.h>
using namespace std;
int main()
{
    string str = "boo@gmail.com  boqian@hotmail.com bo_qian@163.com";
    regex e("([[:w:]]+)@([[:w:]]+)\.com");
    sregex_iterator pos(str.cbegin(), str.cend(), e);
    sregex_iterator end;
    
    for(; pos!=end; ++pos)
    {
        cout << "Matched: " << pos->str(0) << endl;
        cout << "user name: " << pos->str(1) << endl;
        cout << "domain: " << pos->str(2) << endl;
        cout << endl;
    }
    return 0;
}

补充:

  1. 同上,模式中也可以没有分组,这样也就没有pos->str(1)其他的了。

  2. 还有一种更高级的捕捉,能够实现一模一样的功能,只是对捕获的结果的组织顺序不相同,它将所有与第一个分组匹配的结果,放在一个容器内。

    运行如下代码,感受一下:

    #include <bits/stdc++.h>
    using namespace std;
    int main()
    {
        string str = "boo@gmail.com  boqian@hotmail.com bo_qian@163.com";
        regex e("([[:w:]]+)@([[:w:]]+)\.com");
        sregex_token_iterator pos(str.cbegin(), str.cend(), e, 1);// 表示第一个分组,再换成0、2、-1感受一下
        sregex_token_iterator end;
        
        for(; pos!=end; ++pos)
        {
            cout << "Matched: " << pos->str() << endl;
            cout << endl;
        }
        return 0;
    }
    

捕捉的同时生成新串

regex_replace方法先完成捕捉,得到类似于:

大匹配1:分组1、分组2
大匹配2:分组1、分组2
大匹配3:分组1、分组2
...

所以如下代码:

#include <bits/stdc++.h>
using namespace std;
int main()
{
    string str = "boo@gmail.com  boqian@hotmail.com bo_qian@163.com";
    regex e("([[:w:]]+)@([[:w:]]+)\.com");
    cout << regex_replace(str, e, "$1 is on $2\n", regex_constants::format_no_copy); // 除了捕捉到的组以外,其他的东西均舍弃
    return 0;
}

运行结果:

补充:

  1. regex_replace除了regex_constants::format_no_copy以外,还有其他flag,如regex_constants::format_first_only表示只取“大匹配1”,而忽略其他。
  2. flag和flag之间通过|相连接。
  3. regex_matchregex_search也有自己的flag,如用于忽略英文字母大小写的regex_constants::icase

参考资料

https://www.bilibili.com/video/av7701532/?p=12
https://zh.cppreference.com/w/cpp/regex