建站
咨詢
售后
建站咨詢
新聞中心
正則表達(dá)式Regex(regular expression)是一種強(qiáng)大的描述字符序列的工具。在許多語言中都存在著正則表達(dá)式，C++11中也將正則表達(dá)式納入了新標(biāo)準(zhǔn)的一部分，不僅如此， 它還支持了6種不同的正則表達(dá)式的語法，分別是：ECMASCRIPT、basic、extended、awk、grep和egrep。其中 ECMASCRIPT是默認(rèn)的語法，具體使用哪種語法我們可以在構(gòu)造正則表達(dá)式的時(shí)候指定。
注：ECMAScript是一種由Ecma國際（前身為歐洲計(jì)算機(jī)制造商協(xié)會,英文名稱是European Computer Manufacturers Association）通過ECMA-262標(biāo)準(zhǔn)化的腳本程序設(shè)計(jì)語言。它往往被稱為JavaScript，但實(shí)際上后者是ECMA-262標(biāo)準(zhǔn)的實(shí)現(xiàn) 和擴(kuò)展。
下面我們就以本篇博客的頁面（http://www.cnblogs.com/ittinybird/p/4853532.html）源碼為例，從 零開始演示如何在C++中使用正則表達(dá)式提取一個(gè)網(wǎng)頁源碼中所有可用的http鏈接。如果有時(shí)間的話，近期我想用C++11的新特性，改寫一下以前的 C++爬蟲程序，分享出來。
確保你的編譯器支持Regex
如果你的編譯器是GCC-4.9.0或者VS2013以下版本，請升級后，再使用。我之前使用的C++編譯器，是GCC 4.8.3，有regex頭文件，但是GCC很不厚道的沒有實(shí)現(xiàn)，語法完全支持，但是庫還沒跟上，所以編譯的時(shí)候是沒有問題的，但是一運(yùn)行就會直接拋出異常，非常完美的一個(gè)坑有木有！具體錯(cuò)誤如下：
terminate called after throwing an instance of 'std::regex_error'
what(): regex_error
Aborted (core dumped)
如果你也遇到了這個(gè)問題，請不要先懷疑自己，GCC這一點(diǎn)是非?？拥模。?！我在這個(gè)上面浪費(fèi)了半天的時(shí)間才找了出來。所以在嘗鮮C++的正則表達(dá)式之前，請升級你的編譯器，確保你的編譯器支持它。
regex庫概覽
在頭文件
basic_regex | 正則表達(dá)式對象,是一個(gè)通用的模板，有typedef basic_regex |
regex_match | 將一個(gè)字符序列和正則表達(dá)式匹配 |
regex_search | 尋找字符序列中的子串中與正則表達(dá)式匹配的結(jié)果,在找到第一個(gè)匹配的結(jié)果后就會停止查找 |
regex_replace | 使用格式化的替換文本，替換正則表達(dá)式匹配到字符序列的地方 |
regex_iterator | 迭代器，用來匹配所有 的子串 |
match_results | 容器類，保存正則表達(dá)式匹配的結(jié)果。 |
sub_match | 容器類，保存子正則表達(dá)式匹配的字符序列. |
ECMASCRIPT正則表達(dá)式語法
正則表達(dá)式式的語法基本大同小異，在這里就浪費(fèi)篇幅細(xì)摳了。ECMASCRIPT正則表達(dá)式的語法知識可以參考W3CSCHOOL。
構(gòu)造正則表達(dá)式
構(gòu)造正則表達(dá)式用到一個(gè)類：basic_regex。basic_regex是一個(gè)正則表達(dá)式的通用類模板，對char和wchar_t類型都有對應(yīng)的特化：
typedef basic_regex
typedef basic_regex
構(gòu)造函數(shù)比較多，但是非常簡單：
//默認(rèn)構(gòu)造函數(shù)，將匹配任何的字符序列
basic_regex();
//用一個(gè)以‘\0’結(jié)束的字符串s構(gòu)造一個(gè)正則表達(dá)式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上，但是制定了用于構(gòu)造的字符串s的長度為count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷貝構(gòu)造，不贅述
basic_regex( const basic_regex& other );
//移動(dòng)構(gòu)造函數(shù)
basic_regex( basic_regex&& other );
//以basic_string類型的str構(gòu)造正則表達(dá)式
template< class ST, class SA >
explicit basic_regex( const std::basic_string
//指定范圍[first,last)內(nèi)的字符串構(gòu)造正則表達(dá)式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list構(gòu)造
basic_regex( std::initializer_list
以上除默認(rèn)構(gòu)造之外的構(gòu)造函數(shù)，都有一個(gè)flag_type類型的參數(shù)用于指定正則表達(dá)式的語法，ECMASCRIPT、basic、 extended、awk、grep和egrep均是可選的值。除此之外還有其他幾種可能的的標(biāo)志，用于改變正則表達(dá)式匹配時(shí)的規(guī)則和行為：
flag_type | effects |
icase | 在匹配過程中忽略大小寫 |
nosubs | 不保存匹配的子表達(dá)式 |
optimize | 執(zhí)行速度優(yōu)于構(gòu)造速度 |
有了構(gòu)造函數(shù)之后，現(xiàn)在我們就可以先構(gòu)造出一個(gè)提取http鏈接的正則表達(dá)式：
std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?"); //匹配規(guī)則很簡單，如果有疑惑，可以對照語法查看
std::regex r(pattern);
值得一提的是在C++中’\'這個(gè)字符需要轉(zhuǎn)義，因此所有ECMASCRIPT正則表達(dá)式語法中的’\'都需要寫成“\\”的形式。我測試的時(shí)候，這段regex如果沒有加轉(zhuǎn)義，在gcc中會給出警告提示，vs2013編譯后后運(yùn)行直接崩潰了。
正確地處理輸入
先扯一個(gè)題外話，假設(shè)我們不是使用了網(wǎng)絡(luò)庫自動(dòng)在程序中下載的網(wǎng)頁，在我們手動(dòng)下載了網(wǎng)頁并保存到文件后，首先我們要做的還是先把網(wǎng)頁的內(nèi)容(html源碼)存入一個(gè)std::string中，我們可能會使用這樣的錯(cuò)誤方式：
int main()
{
std::string tmp,html;
while(std::cin >> tmp)
html += tmp;
}
這樣一來源代碼中所有的空白字符就無意中被我們?nèi)幚砹?，這顯然不合適。這里我們還是使用getline()這個(gè)函數(shù)來處理：
int main()
{
std::string tmp,html;
while(getline(std::cin,tmp))
{
html += tmp;
html += '\n';
}
}
這樣一來原來的文本才能得到正確的輸入。當(dāng)然個(gè)人以為這些小細(xì)節(jié)還是值得注意的，到時(shí)候出錯(cuò)debug的時(shí)候，我想我們更多地懷疑的是自己的正則表達(dá)式是否是有效。
regex_search()只查找到第一個(gè)匹配的子序列
根據(jù)函數(shù)的字面語義，我們可能會錯(cuò)誤的選擇regex_search()這個(gè)函數(shù)來進(jìn)行匹配。其函數(shù)原型也有6個(gè)重載的版本，用法也是大同小異，函數(shù)返回值是bool值，成功返回true，失敗返回false。鑒于篇幅，我們只看我們下面要使用的這個(gè)：
template< class STraits, class SAlloc,class Alloc, class CharT, class Traits >
bool regex_search( const std::basic_string
std::match_results
const std::basic_regex
std::regex_constants::match_flag_type flags = std::regex_constants::match_default );
第一個(gè)參數(shù)s是std::basic_string類型的，它是我們待匹配的字符序列，參數(shù)m是一個(gè)match_results的容器用于存放匹配 到的結(jié)果，參數(shù)e則是用來存放我們之前構(gòu)造的正則表達(dá)式對象。flags參數(shù)值得一提，它的類型是 std::regex_constants::match_flag_type，語義上匹配標(biāo)志的意思。正如在構(gòu)造正則表達(dá)式對象時(shí)我們可以指定選項(xiàng)如何 處理正則表達(dá)式一樣，在匹配的過程中我們依然可以指定另外的標(biāo)志來控制匹配的規(guī)則。這些標(biāo)志的具體含義，我從cppreference.com 引用過來，用的時(shí)候查一下就可以了：
Constant | Explanation |
| 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) |
| 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) |
| "\b" will not match [first,first) |
| "\b" will not match [last,last) |
| If more than one match is possible, then any match is an acceptable result |
| Do not match empty sequences |
| Only match a sub-sequence that begins at first |
| --first is a valid iterator position. When set, causes match_not_bol and match_not_bow to be ignored |
| Use ECMAScript rules to construct strings in std::regex_replace (syntax documentation) |
| Use POSIX sed utility rules in std::regex_replace. (syntax documentation) |
| Do not copy un-matched strings to the output in std::regex_replace |
根據(jù)參數(shù)類型，于是我們構(gòu)造了這樣的調(diào)用：
std::smatch results;
regex_search(html,results,r);
不過，標(biāo)準(zhǔn)庫規(guī)定regex_search()在查找到第一個(gè)匹配的子串后，就會停止查找！在本程序中，results參數(shù)只帶回了第一個(gè)滿足條件的http鏈接。這顯然并不能滿足我們要提取網(wǎng)頁中所有HTTP鏈接需要。
使用regex_iterator匹配所有子串
嚴(yán)格意義上regex_iterator是一種迭代器適配器，它用來綁定要匹配的字符序列和regex對象。regex_iterator的默認(rèn)構(gòu)造函數(shù)比較特殊，就直接構(gòu)造了一個(gè)尾后迭代器。另外一個(gè)構(gòu)造函數(shù)原型：
regex_iterator(BidirIt a, BidirIt b, //分別是待匹配字符序列的首迭代器和尾后迭代器
const regex_type& re, //regex對象
std::regex_constants::match_flag_type m = std::regex_constants::match_default); //標(biāo)志，同上面的regex_search()中的
和上邊的regex_search()一樣，regex_iterator的構(gòu)造函數(shù)中也有 std::regex_constants::match_flag_type類型的參數(shù)，用法一樣。其實(shí)regex_iterator的內(nèi)部實(shí)現(xiàn)就是調(diào) 用了regex_search()，這個(gè)參數(shù)是用來傳遞給regex_search()的。用gif或許可以演示的比較形象一點(diǎn)，具體是這樣工作的（顏色 加深部分，表示可以匹配的子序列）：
首先在構(gòu)造regex_iterator的時(shí)候，構(gòu)造函數(shù)中首先就調(diào)用一次regex_search()將迭代器it指向了第一個(gè)匹配的子序列。以 后的每一次迭代的過程中（++it），都會在以后剩下的子序列中繼續(xù)調(diào)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，我們寫起來代碼就輕松多了。結(jié)合前面的部分我們，這個(gè)程序就基本寫好了：
#include
#include
#include
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類型的版本
it != end;
++it)
{
std::cout << it->str() << std::endl;
}
}
下載本頁的html源碼保存為test.html，編譯這個(gè)源碼測試一下，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和異常處理
如果我們的正則表達(dá)式存在錯(cuò)誤，則在運(yùn)行的時(shí)候標(biāo)準(zhǔn)庫會拋出一個(gè)regex_error異常，他有一個(gè)名為code的成員，用于標(biāo)記錯(cuò)誤的類型，具體錯(cuò)誤值和語義如下表所示：
code | 含義 |
error_collate | 無效的元素校對 |
error_ctype | 無效的字符類 |
error_escape | 無效的轉(zhuǎn)移字符或者無效的尾置轉(zhuǎn)義 |
error_backref | 無效的向后引用 |
error_brack | 方括號不匹配 |
error_paren | 小括號不匹配 |
error_brace | 大括號不匹配 |
error_badbrace | 大括號中的范圍無效 |
error_range | 無效的（不合法）字符范圍 |
error_space | 內(nèi)存不足 |
error_badrepeat | 重復(fù)字符之前沒有正則表達(dá)式（* + ?） |
error_complexity | 太復(fù)雜了，標(biāo)準(zhǔn)庫君hold不住了 |
error_stack | ?？臻g不足了 |
有關(guān)異常處理的基本內(nèi)容，不是本篇要討論的內(nèi)容，就不贅述了。
小結(jié)
C++11標(biāo)準(zhǔn)庫中的正則表達(dá)式部分還有部分內(nèi)容本文沒有涉及，個(gè)人以為掌握了以上的內(nèi)容后，基本上看一看接口就知道怎么使用了，這里就不浪費(fèi)篇幅了。
謝謝你的閱讀，錯(cuò)誤之處還請您指正，我將萬分感謝。
名稱欄目：C++11中正則表達(dá)式使用示例及源碼分析
轉(zhuǎn)載來源：http://www.dlmjj.cn/article/dhjdgcc.html
