详解C++正则表达式，掌握后极大提高开发效率
The following article is from CPP编程客 Author 不见
来源：CPP编程客-cpluspluser
【CPP开发者导读】：在讨论正则表达式之前，先介绍另外一话题：字符串处理能力是所有程序员的基本功，例如在自然语言处理领域，就经常会遇到字符串处理的问题，当数据在输入到机器学习模型之前和之后，要涉及到大量的预处理和后处理工作，比如要在预处理阶段过滤掉一部分字符，或者把数据进行规范化，在后处理阶段可能还要纠正模型的一些错误和不足。尤其是在工业界，这些工作占的比重还会更大。这时正则表达式的作用显得极其重要。
而在过去写C++程序的时候，当需要用到正则表达式的时候，由于C++本身的标准库不支持，要么使用第三方库，要么自己编写程序实现，不但非常的麻烦而且容易出错难以维护。
因此从C++11开始，引入对正则表达式的支持，使得C++具备了更多的现代语言特性。
本文适合急需提高字符串处理能力的C++程序员阅读，利用从本文所学到的知识大大提高开发效率，达到事半功倍的效果。
以下是正文
若要判断一个输入的QQ号是否有效，你会如何处理呢？
首先你得分析一下其对应规则，依次列出：
长度大于5，小于等于11；
首位不能为0；
是否为纯数字？
规则既列，接着就该尝试实现了，那么用什么来表示字符串呢？在C++中，最容易想到的就是string了，其中提供了许多成员函数可以处理字符串，所以有了如下实现：
1std::string qq;
2std::cin >> qq;
3
4// 1. 判断位数是否合法
5if (qq.length() >= 5 && qq.length() <= 11)
6{
7 // 2. 判断是否非'0'开头
8 if (qq[0] != '0')
9 {
10 // 3. 判断是否为纯数字
11 auto pos = std::find_if(qq.begin(), qq.end(), [](const char& ch) {
12 return ch < '0' || ch > '9';
13 });
14 if (pos == qq.end())
15 std::cout << "valid.\n";
16 }
17}
这仅仅是一个对应规则较少的处理，便相当麻烦。若是要检测IP地址、身份证号，或是解析一段HTML数据等等复杂的字符串，便应该寻求别的方式。
当然，也有许多扩展库对字符串处理提供了方便，其中比较好用的是boost中的string_algo库（已于C++17纳入了标准库，并改名为string_view），但本篇主要说C++11的regex库，其对复杂数据的处理能力非常强，比如可以用它来检测QQ号：
1std::regex qq_reg("[1-9]\\d{4,11}");
2bool ret = std::regex_match(qq, qq_reg);
3std::cout << (ret ? "valid" : "invalid") << std::endl;
是不是超级方便呢？那么接下来便来看看如何使用「正则表达式」。
正则程序库（regex）
「正则表达式」就是一套表示规则的式子，专门用来处理各种复杂的操作。
std::regex是C++用来表示「正则表达式」（regular expression）的库，于C++11加入，它是class std::basic_regex<>针对char类型的一个特化，还有一个针对wchar_t类型的特化为std::wregex。
正则文法（regex syntaxes）
std::regex默认使用是ECMAScript文法，这种文法比较好用，且威力强大，常用符号的意义如下：
| 符号 | 意义 |
|---|---|
| ^ | 匹配行的开头 |
| $ | 匹配行的结尾 |
| . | 匹配任意单个字符 |
| […] | 匹配[]中的任意一个字符 |
| (…) | 设定分组 |
| \ | 转义字符 |
| \d | 匹配数字[0-9] |
| \D | \d 取反 |
| \w | 匹配字母[a-z]，数字，下划线 |
| \W | \w 取反 |
| \s | 匹配空格 |
| \S | \s 取反 |
| + | 前面的元素重复1次或多次 |
| * | 前面的元素重复任意次 |
| ? | 前面的元素重复0次或1次 |
| {n} | 前面的元素重复n次 |
| {n,} | 前面的元素重复至少n次 |
| {n,m} | 前面的元素重复至少n次，至多m次 |
| | | 逻辑或 |
上面列出的这些都是非常常用的符号，靠这些便足以解决绝大多数问题了。
匹配（Match）
字符串处理常用的一个操作是「匹配」，即字符串和规则恰好对应，而用于匹配的函数为std::regex_match()，它是个函数模板，我们直接来看例子：
1std::regex reg("<.*>.*</.*>");
2bool ret = std::regex_match("<html>value</html>", reg);
3assert(ret);
4
5ret = std::regex_match("<xml>value<xml>", reg);
6assert(!ret);
7
8std::regex reg1("<(.*)>.*</\\1>");
9ret = std::regex_match("<xml>value</xml>", reg1);
10assert(ret);
11
12ret = std::regex_match("<header>value</header>", std::regex("<(.*)>value</\\1>"));
13assert(ret);
14
15// 使用basic文法
16std::regex reg2("<\\(.*\\)>.*</\\1>", std::regex_constants::basic);
17ret = std::regex_match("<title>value</title>", reg2);
18assert(ret);
这个小例子使用regex_match()来匹配xml格式（或是html格式）的字符串，匹配成功则会返回true，意思非常简单，若是不懂其中意思，可参照前面的文法部分。
对于语句中出现\\，是因为\需要转义，C++11以后支持原生字符，所以也可以这样使用：
1std::regex reg1(R"(<(.*)>.*</\1>)");
2auto ret = std::regex_match("<xml>value</xml>", reg1);
3assert(ret);
但C++03之前并不支持，所以使用时要需要留意。
若是想得到匹配的结果，可以使用regex_match()的另一个重载形式：
1std::cmatch m;
2auto ret = std::regex_match("<xml>value</xml>", m, std::regex("<(.*)>(.*)</(\\1)>"));
3if (ret)
4{
5 std::cout << m.str() << std::endl;
6 std::cout << m.length() << std::endl;
7 std::cout << m.position() << std::endl;
8}
9
10std::cout << "----------------" << std::endl;
11
12// 遍历匹配内容
13for (auto i = 0; i < m.size(); ++i)
14{
15 // 两种方式都可以
16 std::cout << m[i].str() << " " << m.str(i) << std::endl;
17}
18
19std::cout << "----------------" << std::endl;
20
21// 使用迭代器遍历
22for (auto pos = m.begin(); pos != m.end(); ++pos)
23{
24 std::cout << *pos << std::endl;
25}
输出结果为：
1<xml>value</xml>
216
30
4----------------
5<xml>value</xml> <xml>value</xml>
6xml xml
7value value
8xml xml
9----------------
10<xml>value</xml>
11xml
12value
13xml
cmatch是class template std::match_result<>针对C字符的一个特化版本，若是string，便得用针对string的特化版本smatch。同时还支持其相应的宽字符版本wcmatch和wsmatch。
在regex_match()的第二个参数传入match_result便可获取匹配的结果，在例子中便将结果储存到了cmatch中，而cmatch又提供了许多函数可以对这些结果进行操作，大多方法都和string的方法类似，所以使用起来比较容易。
m[0]保存着匹配结果的所有字符，若想在匹配结果中保存有子串，则得在「正则表达式」中用()标出子串，所以这里多加了几个括号：
1std::regex("<(.*)>(.*)</(\\1)>")
这样这些子串就会依次保存在m[0]的后面，即可通过m[1],m[2],…依次访问到各个子串。
搜索（Search）
「搜索」与「匹配」非常相像，其对应的函数为std::regex_search，也是个函数模板，用法和regex_match一样，不同之处在于「搜索」只要字符串中有目标出现就会返回，而非完全「匹配」。
还是以例子来看：
1std::regex reg("<(.*)>(.*)</(\\1)>");
2std::cmatch m;
3auto ret = std::regex_search("123<xml>value</xml>456", m, reg);
4if (ret)
5{
6 for (auto& elem : m)
7 std::cout << elem << std::endl;
8}
9
10std::cout << "prefix:" << m.prefix() << std::endl;
11std::cout << "suffix:" << m.suffix() << std::endl;
输出为：
1<xml>value</xml>
2xml
3value
4xml
5prefix:123
6suffix:456
这儿若换成regex_match匹配就会失败，因为regex_match是完全匹配的，而此处字符串前后却多加了几个字符。
对于「搜索」，在匹配结果中可以分别通过prefix和suffix来获取前缀和后缀，前缀即是匹配内容前面的内容，后缀则是匹配内容后面的内容。
那么若有多组符合条件的内容又如何得到其全部信息呢？这里依旧通过一个小例子来看：
1std::regex reg("<(.*)>(.*)</(\\1)>");
2std::string content("123<xml>value</xml>456<widget>center</widget>hahaha<vertical>window</vertical>the end");
3std::smatch m;
4auto pos = content.cbegin();
5auto end = content.cend();
6for (; std::regex_search(pos, end, m, reg); pos = m.suffix().first)
7{
8 std::cout << "----------------" << std::endl;
9 std::cout << m.str() << std::endl;
10 std::cout << m.str(1) << std::endl;
11 std::cout << m.str(2) << std::endl;
12 std::cout << m.str(3) << std::endl;
13}
输出结果为：
1----------------
2<xml>value</xml>
3xml
4value
5xml
6----------------
7<widget>center</widget>
8widget
9center
10widget
11----------------
12<vertical>window</vertical>
13vertical
14window
15vertical
此处使用了regex_search函数的另一个重载形式（regex_match函数亦有同样的重载形式），实际上所有的子串对象都是从std::pair<>派生的，其first（即此处的prefix）即为第一个字符的位置，second（即此处的suffix）则为最末字符的下一个位置。
一组查找完成后，便可从suffix处接着查找，这样就能获取到所有符合内容的信息了。
分词（Tokenize）
还有一种操作叫做「切割」，例如有一组数据保存着许多邮箱账号，并以逗号分隔，那就可以指定以逗号为分割符来切割这些内容，从而得到每个账号。
而在C++的正则中，把这种操作称为Tokenize，用模板类regex_token_iterator<>提供分词迭代器，依旧通过例子来看：
1std::string mail("123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com");
2std::regex reg(",");
3std::sregex_token_iterator pos(mail.begin(), mail.end(), reg, -1);
4decltype(pos) end;
5for (; pos != end; ++pos)
6{
7 std::cout << pos->str() << std::endl;
8}
这样，就能通过逗号分割得到所有的邮箱：
1123@qq.vip.com
2456@gmail.com
3789@163.com
4abcd@my.com
sregex_token_iterator是针对string类型的特化，需要注意的是最后一个参数，这个参数可以指定一系列整数值，用来表示你感兴趣的内容，此处的-1表示对于匹配的正则表达式之前的子序列感兴趣；而若指定0，则表示对于匹配的正则表达式感兴趣，这里就会得到“,"；还可对正则表达式进行分组，之后便能输入任意数字对应指定的分组，大家可以动手试试。
替换（Replace）
最后一种操作称为「替换」，即将正则表达式内容替换为指定内容，regex库用模板函数std::regex_replace提供「替换」操作。
现在，给定一个数据为"he…ll..o, worl..d!"， 思考一下，如何去掉其中误敲的“.”？
有思路了吗？来看看正则的解法：
1char data[] = "he...ll..o, worl..d!";
2std::regex reg("\\.");
3// output: hello, world!
4std::cout << std::regex_replace(data, reg, "");
我们还可以使用分组功能：
1char data[] = "001-Neo,002-Lucia";
2std::regex reg("(\\d+)-(\\w+)");
3// output: 001 name=Neo,002 name=Lucia
4std::cout << std::regex_replace(data, reg, "$1 name=$2");
当使用分组功能后，可以通过N来得到分组内容，这个功能挺有用的。
实例（Examples）
1. 验证邮箱
这个需求在注册登录时常有用到，用于检测用户输入的合法性。
若是对匹配精确度要求不高，那么可以这么写：
1std::string data = "123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com";
2std::regex reg("\\w+@\\w+(\\.\\w+)+");
3
4std::sregex_iterator pos(data.cbegin(), data.cend(), reg);
5decltype(pos) end;
6for (; pos != end; ++pos)
7{
8 std::cout << pos->str() << std::endl;
9}
这里使用了另外一种遍历正则查找的方法，这种方法使用regex iterator来迭代，效率要比使用match高。这里的正则是一个弱匹配，但对于一般用户的输入来说没有什么问题，关键是简单，输出为：
1123@qq.vip.com
2456@gmail.com
3789@163.com
4abcd@my.com
但若我输入一个“Abc0_@aAa1.123.456.789”，它依旧能匹配成功，这明显是个非法邮箱，更精确的正则应该这样写：
1std::string data = "123@qq.vip.com, \
2 456@gmail.com, \
3 789@163.com.cn.mail, \
4 abcd@my.com, \
5 Abc0_@aAa1.123.456.789 \
6 haha@163.com.cn.com.cn";
7std::regex reg("[a-zA-z0-9_]+@[a-zA-z0-9]+(\\.[a-zA-z]+){1,3}");
8
9std::sregex_iterator pos(data.cbegin(), data.cend(), reg);
10decltype(pos) end;
11for (; pos != end; ++pos)
12{
13 std::cout << pos->str() << std::endl;
14}
输出为：
1123@qq.vip.com
2456@gmail.com
3789@163.com.cn.mail
4abcd@my.com
5haha@163.com.cn.com
2. 匹配IP
有这样一串IP地址，192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30，
要求：取出其中的IP地址，并按地址段顺序输出IP地址。
有点晚了，便不详细解释了，这里直接给出答案，可供大家参考：
1std::string ip("192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30");
2
3std::cout << "原内容为：\n" << ip << std::endl;
4
5// 1. 位数对齐
6ip = std::regex_replace(ip, std::regex("(\\d+)"), "00$1");
7
8std::cout << "位数对齐后为：\n" << ip << std::endl;
9
10// 2. 有0的去掉
11ip = std::regex_replace(ip, std::regex("0*(\\d{3})"), "$1");
12
13std::cout << "去掉0后为：\n" << ip << std::endl;
14
15// 3. 取出IP
16std::regex reg("\\s");
17std::sregex_token_iterator pos(ip.begin(), ip.end(), reg, -1);
18decltype(pos) end;
19
20std::set<std::string> ip_set;
21for (; pos != end; ++pos)
22{
23 ip_set.insert(pos->str());
24}
25
26std::cout << "------\n最终结果：\n";
27
28// 4. 输出排序后的数组
29for (auto elem : ip_set)
30{
31 // 5. 去掉多余的0
32 std::cout << std::regex_replace(elem,
33 std::regex("0*(\\d+)"), "$1") << std::endl;
34}
输出结果为：
1原内容为：
2192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30
3位数对齐后为：
400192.0068.001.00254 00102.0049.0023.00013 0010.0010.0010.0010 002.002.002.002 008.00109.0090.0030
5去掉0后为：
6192.068.001.254 102.049.023.013 010.010.010.010 002.002.002.002 008.109.090.030
7------
8最终结果：
92.2.2.2
108.109.90.30
1110.10.10.10
12102.49.23.13
13192.68.1.254关于C++正则表达式，欢迎在评论中和我探讨。觉得文章不错，请点赞和在看支持我继续分享好文。谢谢！
关注『CPP开发者』
看精选C++技术文章 . 加C++开发者专属圈子
↓↓↓
点赞和在看就是最大的支持❤️