C++ 11 中正则表达式使用示例及源码分析

正则表达式Regex(regular expression)是一种强大的描述字符序列的工具。在许多语言中都存在着正则表达式,C++11中也将正则表达式纳入了新标准的一部分,不仅如此, 它还支持了6种不同的正则表达式的语法,分别是:ECMASCRIPT、basic、extended、awk、grep和egrep。其中 ECMASCRIPT是默认的语法,具体使用哪种语法我们可以在构造正则表达式的时候指定。

C++ 11 中正则表达式使用示例及源码分析

注:ECMAScript是一种由Ecma国际(前身为欧洲计算机制造商协会,英文名称是European Computer Manufacturers Association)通过ECMA-262标准化的脚本程序设计语言。它往往被称为JavaScript,但实际上后者是ECMA-262标准的实现 和扩展。

下面我们就以本篇博客的页面(http://www.cnblogs.com/ittinybird/p/4853532.html)源码为例,从 零开始演示如何在C++中使用正则表达式提取一个网页源码中所有可用的http链接。如果有时间的话,近期我想用C++11的新特性,改写一下以前的 C++爬虫程序,分享出来。

确保你的编译器支持Regex

如果你的编译器是GCC-4.9.0或者VS2013以下版本,请升级后,再使用。我之前使用的C++编译器,是GCC 4.8.3,有regex头文件,但是GCC很不厚道的没有实现,语法完全支持,但是库还没跟上,所以编译的时候是没有问题的,但是一运行就会直接抛出异常,非常完美的一个坑有木有!具体错误如下:

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

如果你也遇到了这个问题,请不要先怀疑自己,GCC这一点是非常坑爹的!!!我在这个上面浪费了半天的时间才找了出来。所以在尝鲜C++的正则表达式之前,请升级你的编译器,确保你的编译器支持它。

regex库概览

在头文件<regex>中包含了多个我们使用正则表达式时需要用到的组件,大致有:

basic_regex

正则表达式对象,是一个通用的模板,有typedef basic_regex<char> regex 和 typedef basic_regex<char_t>wregex;

regex_match

将一个字符序列和正则表达式匹配

regex_search

寻找字符序列中的子串中与正则表达式匹配的结果,在找到第一个匹配的结果后就会停止查找

regex_replace

使用格式化的替换文本,替换正则表达式匹配到字符序列的地方

regex_iterator

迭代器,用来匹配所有 的子串

match_results

容器类,保存正则表达式匹配的结果。

sub_match

容器类,保存子正则表达式匹配的字符序列.

ECMASCRIPT正则表达式语法

正则表达式式的语法基本大同小异,在这里就浪费篇幅细抠了。ECMASCRIPT正则表达式的语法知识可以参考W3CSCHOOL

构造正则表达式

构造正则表达式用到一个类:basic_regex。basic_regex是一个正则表达式的通用类模板,对char和wchar_t类型都有对应的特化:

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

构造函数比较多,但是非常简单:

//默认构造函数,将匹配任何的字符序列
basic_regex();
//用一个以‘\0’结束的字符串s构造一个正则表达式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上,但是制定了用于构造的字符串s的长度为count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷贝构造,不赘述
basic_regex( const basic_regex& other );
 //移动构造函数
basic_regex( basic_regex&& other );
//以basic_string类型的str构造正则表达式
template< class ST, class SA >
explicit basic_regex( const std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范围[first,last)内的字符串构造正则表达式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list构造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );

以上除默认构造之外的构造函数,都有一个flag_type类型的参数用于指定正则表达式的语法,ECMASCRIPT、basic、 extended、awk、grep和egrep均是可选的值。除此之外还有其他几种可能的的标志,用于改变正则表达式匹配时的规则和行为:

flag_type

effects

icase

在匹配过程中忽略大小写

nosubs

不保存匹配的子表达式

optimize

执行速度优于构造速度

有了构造函数之后,现在我们就可以先构造出一个提取http链接的正则表达式:

std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?");    //匹配规则很简单,如果有疑惑,可以对照语法查看
std::regex r(pattern);

值得一提的是在C++中’\'这个字符需要转义,因此所有ECMASCRIPT正则表达式语法中的’\'都需要写成“\\”的形式。我测试的时候,这段regex如果没有加转义,在gcc中会给出警告提示,vs2013编译后后运行直接崩溃了。

正确地处理输入

先扯一个题外话,假设我们不是使用了网络库自动在程序中下载的网页,在我们手动下载了网页并保存到文件后,首先我们要做的还是先把网页的内容(html源码)存入一个std::string中,我们可能会使用这样的错误方式:

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

这样一来源代码中所有的空白字符就无意中被我们全处理了,这显然不合适。这里我们还是使用getline()这个函数来处理:

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

这样一来原来的文本才能得到正确的输入。当然个人以为这些小细节还是值得注意的,到时候出错debug的时候,我想我们更多地怀疑的是自己的正则表达式是否是有效

regex_search()只查找到第一个匹配的子序列

根据函数的字面语义,我们可能会错误的选择regex_search()这个函数来进行匹配。其函数原型也有6个重载的版本,用法也是大同小异,函数返回值是bool值,成功返回true,失败返回false。鉴于篇幅,我们只看我们下面要使用的这个:

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 );

第一个参数s是std::basic_string类型的,它是我们待匹配的字符序列,参数m是一个match_results的容器用于存放匹配 到的结果,参数e则是用来存放我们之前构造的正则表达式对象。flags参数值得一提,它的类型是 std::regex_constants::match_flag_type,语义上匹配标志的意思。正如在构造正则表达式对象时我们可以指定选项如何 处理正则表达式一样,在匹配的过程中我们依然可以指定另外的标志来控制匹配的规则。这些标志的具体含义,我从cppreference.com 引用过来,用的时候查一下就可以了:

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

根据参数类型,于是我们构造了这样的调用:

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

不过,标准库规定regex_search()在查找到第一个匹配的子串后,就会停止查找!在本程序中,results参数只带回了第一个满足条件的http链接。这显然并不能满足我们要提取网页中所有HTTP链接需要。

使用regex_iterator匹配所有子串

严格意义上regex_iterator是一种迭代器适配器,它用来绑定要匹配的字符序列和regex对象。regex_iterator的默认构造函数比较特殊,就直接构造了一个尾后迭代器。另外一个构造函数原型:

regex_iterator(BidirIt a, BidirIt b,                                                           //分别是待匹配字符序列的首迭代器和尾后迭代器
               const regex_type& re,                                                           //regex对象
               std::regex_constants::match_flag_type m = std::regex_constants::match_default); //标志,同上面的regex_search()中的

和上边的regex_search()一样,regex_iterator的构造函数中也有 std::regex_constants::match_flag_type类型的参数,用法一样。其实regex_iterator的内部实现就是调 用了regex_search(),这个参数是用来传递给regex_search()的。用gif或许可以演示的比较形象一点,具体是这样工作的(颜色 加深部分,表示可以匹配的子序列):

C++ 11 中正则表达式使用示例及源码分析

首先在构造regex_iterator的时候,构造函数中首先就调用一次regex_search()将迭代器it指向了第一个匹配的子序列。以 后的每一次迭代的过程中(++it),都会在以后剩下的子序列中继续调用regex_search(),直到迭代器走到最后。it就一直“指向”了匹配的 子序列。

知道了原理,我们写起来代码就轻松多了。结合前面的部分我们,这个程序就基本写好了:

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

下载本页的html源码保存为test.html,编译这个源码测试一下,大功告成:

[regex]g++ regex.cpp  -std=c++11 -omain
[regex]main < test.html

http://www.cnblogs.com/ittinybird/rss


http://www.cnblogs.com/ittinybird/rsd.xml


http://www.cnblogs.com/ittinybird/wlwmanifest.xml


http://common.cnblogs.com/script/jquery.js


http://files.cnblogs.com/files/ittinybird/mystyle.css


http://www.cnblogs.com/ittinybird/


http://www.cnblogs.com/ittinybird/


http://www.cnblogs.com/ittinybird/


http://i.cnblogs.com/EditPosts.aspx?opt=1


http://msg.cnblogs.com/send/%E6%88%91%E6%98%AF%E4%B8%80%E5%8F%AAC%2B%2B%E5%B0%8F%E5%B0%8F%E9%B8%9F


http://www.cnblogs.com/ittinybird/rss


http://www.cnblogs.com/ittinybird/rss


http://www.cnblogs.com/images/xml.gif


http://i.cnblogs.com/


http://www.cnblogs.com/ittinybird/p/4853532.html


http://www.cnblogs.com/ittinybird/p/4853532.html


http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp


http://www.cnblogs.com/ittinybird/


http://i.cnblogs.com/EditPosts.aspx?postid=4853532


http://www.cnblogs.com/


http://q.cnblogs.com/


http://news.cnblogs.com/


http://home.cnblogs.com/ing/


http://job.cnblogs.com/


http://kb.cnblogs.com/

regex和异常处理

如果我们的正则表达式存在错误,则在运行的时候标准库会抛出一个regex_error异常,他有一个名为code的成员,用于标记错误的类型,具体错误值和语义如下表所示:

code

含义

error_collate

无效的元素校对

error_ctype

无效的字符类

error_escape

无效的转移字符或者无效的尾置转义

error_backref

无效的向后引用

error_brack

方括号不匹配

error_paren

小括号不匹配

error_brace

大括号不匹配

error_badbrace

大括号中的范围无效

error_range

无效的(不合法)字符范围

error_space

内存不足

error_badrepeat

重复字符之前没有正则表达式(* + ?)

error_complexity

太复杂了,标准库君hold不住了

error_stack

栈空间不足了

有关异常处理的基本内容,不是本篇要讨论的内容,就不赘述了。

小结

相关推荐