C++ boost 正则表达式用法

什么是正则表达式？正则表达式是一种用来描述一定数量文本的模式。Regex代表Regular Express。
如果您不知道什么是正则表达式，请看这篇文章http://blog.csdn.net/begtostudy/archive/2007/11/11/1879206.aspx

有了正则表达式的基础，问题是如何使用。我们以boost::regex来说

先看一个网上经典的例子。

#include "stdafx.h"

#include <cstdlib>

#include <stdlib.h>

#include <boost/regex.hpp>

#include <string>

#include <iostream>

using namespace std;

using namespace boost;

regex expression("^select ([a-zA-Z]*) from ([a-zA-Z]*)");

int main(int argc, char* argv[])

{

　std::string in;

　cmatch what;

　cout << "enter test string" << endl;

　getline(cin,in);

　if(regex_match(in.c_str(), what, expression))

　{

for(int i=0;i<what.size();i++)

　cout<<"str :"<<what[i].str()<<endl;

　}

　else

　{

cout<<"Error Input"<<endl;

　}

　return 0;

}
 
＝＝＝＝＝＝＝＝＝＝＝＝＝＝
结果
输入：select name from table

输出：str:select name from table

　str:name

　str:table

按照我们的要求，字符串被匹配挑出来了。
这在处理大量规则的文本格式的时候很有用，因为它很灵活，一通百通。

首先，即使你拥有了boost库，也需要单独编译regex。
如果你不知道boost库，看这里http://www.stlchina.org/twiki/bin/view.pl/Main/BoostStartIntroduce

网上的介绍：
boost库安装比较麻烦，需要自己编译源文件，我整理了一下，如果仅仅需要做正则表达式，按下面的代码敲就行了：

cmd

vcvars32.bat

cd D:\boost_1_32_0\libs\regex\build

d:

nmake -fvc6.mak

nmake -fvc6.mak install

注意，别看下载下来的数据包没有多大，解压缩之后达到了100多M，编译完之后为109M，占用131M，所以安装时一定注意空出足够的空间，敲入nmake -fvc6.mak后等待的时间比较长，屏幕上还会出现一大堆英语，可以不做考虑。按照步骤往下敲就行了。压缩包内文档很详细，参照文档继续就可以了。

在VC6中集成：Tools->Options->Directories->Include files

加入：D:\boost_1_32_0

我用的是VS2003
做了run.bat

chdir E:\Program\boost_1_34_1

bjam "-sTOOLS=vc-7_1" "-sVC71_ROOT=D:\Program Files\Microsoft Visual Studio .NET 2003\Vc7"  "--prefix=E:\Program\boost" "--builddir=E:\Program\boost_1_34_1\build" "-sBUILD=debug release <runtime-link>static/dynamic" --with-regex install

PAUSE

至于参数，需要参考boost安装介绍http://blog.csdn.net/begtostudy/archive/2007/11/11/1879213.aspx

其他的一些介绍

 bool validate_card_format(const std::string s)
        {
           static const boost::regex e("(\\d{4}[- ]){3}\\d{4}");
           return regex_match(s, e);
        }

boost::regex的默认正则表达式语法是perl语法
        boost::regex支持perl regular表达式、POSIX-Extended regular表达式和POSIX-Basic Regular表达式，但默认的表达式语法是perl语法，如果要使用其余两种语法需要在构造表达式的时候明确指定。

        例如，下面两种方法效果相同
        // e1 is a case sensitive Perl regular expression:
        // since Perl is the default option there''s no need to explicitly specify the syntax used here:
        boost::regex e1(my_expression);
        // e2 a case insensitive Perl regular expression:
        boost::regex e2(my_expression, boost::regex::perl|boost::regex::icase);

perl正则表达式语法
        perl正则表达式语法可参见《perl语言入门》第7、8、9章或boost的文档。这里列出的语法是不全面的，而且部分说明可能并不清楚。

        . 任意字符;使用match_no_dot_null标志时不匹配NULL字符; 使用match_not_dot_newline时不匹配换行字符

        ^ 匹配行的开始
        $ 匹配行的结束
        * 重复零次或则更多,例如a*b可匹配b,ab,aab,aaaaaaab
        + 重复一次以上，例如a+b可匹配ab,aab,aaaaaaaab。但不能匹配b了
        ? 零次或则一次，例如ca?b匹配cb,cab但不匹被caab   
        a{n} 匹配字符''a''重复n次
        a{n,}，字符a重复n次以上（含n次）
        a{n,m} a重复n到m次（含）

        *?   匹配前一个原子零次以上
        +?   匹配前一个原子一次以上
        ??   匹配前一个原子零次以上
        {n,}?  匹配前一个原子n次以上(含)
        {n,m?  匹配前一个原子n到m次(含)

        | 或操作，例如ab(d|ef)匹配abd或则abef
        [] 字符集操作，例如[abc]将匹配任何单个字符''a''，''b''，''c''
        [a-d]，表示a、b、c、d
        ^否操作，例如[^a-c]表示a至c之外的所有字符

boost::regex对unicode编码的支持
        boost::regex使用ICU来实现对unicode及unicode变种的支持，这需要在编译boost的时候指出是否使用ICU以及ICU所在的目录。否则编译出来的boost::regex不支持unicode编码。其中boost::wregex支持unicode编码的搜索，如果要搜索UTF-8、UTF-16、UFT-32编码的字符串，则要用boost::u32regex。注意boost::wregex只能支持unicode编码，不能支持uft编码。

搜索时如何忽略大小写
        如果要在搜索时忽略大小写（即大小写不敏感），则要用到表达式选项boost::regex::icase，例如： boost::regex e2(my_expression, boost::regex::perl|boost::regex::icase);

模板类：
l         basic_regex          用来保存一个“正则表达式”的类。
l         sub_match            继承于pair<Iterator,Iterator>迭代器组，用来表示匹配的一个结果。
l         match_results             sub_match的容器，用来表示一次搜索或匹配算法的所有结果，类似于vector<sub_match>。
算法：
l         regex_math   匹配算法，测试一个字符串是否和一个正则式匹配，并通过match_results返回结果。
l         regex_find     查找算法，查找字符串的一个和正则式匹配的字串，并通过match_results返回结果。
l         regex_format       替换算法，查找字符串中的所有匹配正则式的字串，并使用“格式化字符”串替换。
迭代器：
l         regex_iterator      枚举一个字符串中所有匹配的字串，regex_iterator的结果相当于match_results。
l         regex_token_iterator 枚举一个字符串中所有匹配的字串，regex_iterator的结果相当于sub_match。
 
详述

l       basic_regex

template <class charT, class traits = regex_traits<charT>, class Allocator = std::allocator<charT>  >

class basic_regex;

typedef basic_regex<char> regex;

typedef basic_regex<wchar_t> wregex;

很明显，charT是正则式的字符类型，regex和wregex是basic_regex的两个特化。
注意，正则式的字符类型要和需要匹配的字符串的字符类型相同。例如：不能在regex_find算法中分别使用string和wregex最为参数，要么是string和regex，要么是wstring和wregex。
构造函数：
basic_regex re
 产生空的正则式
 
basic_regex re(str)
 正则式为str，str可以为basic_string，也可以是0结尾的char*字符串。
 
Basic_regex re(re2)
 拷贝构造。
 
basic_regex re(str,flag)
 正则式为str，使用flag语法选项，flag是一组常量的组合。例如：icase可以使正则式匹配忽略大小写。
 
basic_regex re(beg,end)
 使用迭代器构造正则式。可以是basic_string的迭代器，也可以是const char*。
 
basic_regex re(beg,end,flag)
 使用迭代器构造正则式，flag是语法选项。
 

常用的语法选项：
regex_constants::normal
 默认的语法。符合EMCAScript,JavaScript中的正则式。
 
regex_constants::icase
 匹配的时候忽略大小写。
 
regex_constants::nosubs
 不把匹配的子串保存进match_results结构。
 
regex_constants::collate
 对于[a-b]的匹配，考虑地区
 

 
语法选项通过或运算来结合。在basic_regex中这些语法选项也进行了定义，所以可以写成regex::normal，这要比regex_constants少打好几个字母了吧！J
assign成员函数：
re.assign(re2)
 复制一个正则式
 
re.assign(str)
 正则式为str。
 
re.assign(str, flag)
 正则式为str，使用flag语法选项，flag是一组常量的组合。
 
re.assign(beg, end)
 使用迭代器构造正则式。
 
re.assign(beg, end, flag)
 使用迭代器构造正则式，flag是语法选项。
 

 
其实basic_regex很多用法和basic_string很像，因为正则表达式也是个字符串嘛！
迭代器：
regex::iterator it
 常迭代器类型，即const_iterator
 
re.begin()
 返回的是常迭代器哦！const_iterator
 
re.end()
 没有逆向迭代器。
 

例如：copy(re.begin(), re.end(), ostream_iterator<char>(cout));
其他：
re.size()
 正则表达式长度，即str的长度。
 
re.max_size()
 正则表达式的最大长度。
 
re.empty()
 长度是否为0
 
re.mark_count()
 返回正则式的组数，一般情况下为小括号对数+1。在boost.regex中使用小括号分组，详情请看下面的算法详解。
 
re.flags()
 返回语法选项。
 
cout<<re
 正则式的流输出，相当于上面示例的copy算法。
 
swap
 成员函数，全局函数都有
 
re.imbue(loc)
 设置local为loc，返回原来的local
 
re.getloc()
 得到当前local
 
==,!=,<,<=,>,>=
 比较运算符重载
 

 
l       sub_match
sub_match是一个迭代器组，表示正则式中的一个匹配。

template <class BidirectionalIterator>

class sub_match : public std::pair<BidirectionalIterator, BidirectionalIterator>;

boost没有提供sub_match的任何特化，因为我们不会显示的声明一个sub_match变量。sub_match是作为match_results的元素用的。比如：match_results的operator[]和迭代器返回的就是一个特化的sub_match。
唯一的成员变量：
bool matched  是否匹配。
成员函数：
length()
 返回长度，即两个迭代器之间的距离。
 
operator basic_string< value_type>()
 隐式的basic_string转换。
 
str()
 显式的basic_string转换。
 

还有就是一大堆的比较操作符的重载了，这里就不多说了。
 
l       match_results
match_results相当于sub_match的容器，用于表示正则式算法的返回结果。

template <class BidirectionalIterator,

          class Allocator = allocator<sub_match<BidirectionalIterator> >

class match_results;

typedef match_results<const char*> cmatch;

typedef match_results<const wchar_t*> wcmatch;

typedef match_results<string::const_iterator> smatch;

typedef match_results<wstring::const_iterator> wsmatch;

声明很简单，有四个特化可以直接使用，不过要注意string和char*字符串使用的match_results是不同的。
成员函数：
m.size()
 容量。
 
m.max_size()
 最大容量。
 
m.empty()
 容量是否为0。
 
m[n]
 第n个元素，即sub_match
 
m.prefix()
 返回代表前缀的sub_match，前缀指字符串的开头到第一个匹配的开头。
 
m.suffix()
 返回代表后缀的sub_match，后缀之最后一个匹配的结尾到字符串的结尾。
 
m.length(n)
 返回第n个元素的长度，即m[n].size()。
 
m.position(n)
 返回第n个元素的位置。
 
cout<<m
 流输出，输出整个匹配，相当于cout<<m[0]。因为第0个元素是整个匹配，详细情况请看下面的解释。
 
m.format(fmtstr)
 使用格式化字符串，格式化结果，返回字符串
 
m.format(fmtstr,flags)
 使用格式化字符串，格式化结果，返回字符串，flags是格式化选项。
 
m.format(out,fmtstr)
 同上，但是使用输出迭代器输出结果。
 
m.format(out.fmtstr,flags)
 同上，但是使用输出迭代器输出结果。
 

迭代器：
smatch::iterator
 迭代器，常迭代器
 
smatch::const_iterator
 同上
 
m.begin()
 返回常迭代器
 
m.end()
 同上
 
 

最后，说一个实例

我处理一个文本

            实际值/-20.031,-1.896,-2.861,-1,0,0

提取其中的数字

regex exp("\s*实际值/(-?[0-9.]+),(-?[0-9.]+),(-?[0-9.]+),(-?[0-9.]+),(-?[0-9.]+),(-?[0-9.]+)$");

大家看看还有没有更好的写法？

regex_match

regex_match算法用来测试一个字符串是否完全匹配正则式。让我们来看一下regex_match的使用：

if (regex_match(str, m, re))

{

    ...

}

str是一个字符串，可以是string，wstring，char *或者wchar_t *

m是match_results，它通过引用传入参数，来保存匹配的结果，m要和str的类型匹配，可以是smatch，wsmatch，cmatch或wcmatch，用来分别对应string，wstring，char *或者wchar_t*的str。

re就是正则表达式了，一般来说是regex或wregex。

str，m，re的类型如下：

str类型	m类型	re类型
string	smatch (match_results<string::const_iterator>)	regex (basic_regex<char>)
wstring	wsmatch (match_results<wstring::const_iterator>)	wregex (basic_regex<wchar_t>)
char*	cmatch (match_results<const char*>)	regex (basic_regex<char>)
wchar_t*	wcmatch (match_results<const wchar_t*>)	wregex (basic_regex<wchar_t>)

 

函数的返回值表示字符串是否完全匹配正则表达式，当返回true的时候，m保存了匹配的结果；返回false，m未定义。

下面让我们来看一下，当函数返回true的时候，m是怎么样的。

m.size() == re.mark_count()

还记得re.mark_count()返回的是什么吗？在上一篇中说的是re.mark_count()返回的时正则式的“组数”，并没有详细解释。这里我要详细解释一下。

其实，这个“组数”在boost的regex中叫做sub-expression。sub-expression就是在正则式中使用小括号括起来的一部分，正则式本身是一个sub-expression，所以re.mark_count()等于小括号对数+1。

m.prefix()和m.suffix()

这两个返回的是sub_match类型（相当于一个迭代器组）。在regex_match算法中，这两个返回的sub_match都是空的，他们的值如下：（sub_match继承于pair，所以有first和second成员哦）

m.prefix().first == str.begin()

m.prefix().second == str.begin()

m.prefix().matched == false

m.suffix().first == str.end()

m.suffix().second == str.end()

m.suffix().matched == false

因为regex_match是完全匹配，即整个字符串和正则式匹配，所以前缀和后缀都是空的。

m[0]

返回第0个匹配的，由于regex_match是完全匹配，所以

m[0].first == str.begin()

m[0].second == str.end()

m[0].matched == true

m[n] , n<m.size()

返回第n个匹配的sub-expression。

m[n].matched 表示第n个sub-expression是否在字符串中存在。整个regex匹配，但是sub_exp可能匹配的是空的，例如”(a*)”就有可以匹配空。

m[n].first和m[n].second 表示匹配的范围。如果匹配空的话，都为str.end()。

 

根据我的测试，m[1],m[2],...,m[n]的顺序是按照正则式的左小括号的顺序来的，例如对于正则式”((a)bc)d(efg)”，如果匹配了一个字符串的话（字符串只可能是”abcdefg”），则

m[0] == “abcdefg”  （sub_match重载了==运算符使得可以和一个字符串比较）

m[1] == “abc”

m[2] == “a”

m[3] == “efg”

 

regex_match的其它用法 

regex_match(str,re)	只测试是否匹配，不需要匹配的结果
regex_match(beg,end,re)	输入的是迭代器
regex_match(beg,end,m,re)	注意m的类型为match_results<iterator>
regex_match(str,m,re,flag)	flag是匹配选项，默认是的regex_constants::match_default

 

regex_search

regex_search的用法基本上和regex_match一样。

if (regex_search(str, m, re))

{

    ...

} 

regex_search不要求str完全匹配re，只要str中的一个字串匹配re就可以了。所以，m.prefix()和m.suffix()不一定为空。

regex_search是从左往右匹配，而且尽量匹配长的字串。