boost正则用法

    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

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.]+）$"）；

 

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：

     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_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。