boost——正则表达式

前面一篇文章《编程思想之正则表达式》中讲了正则表达式的编程思想和各种语言下的使用，我们都知道C++标准库自带的正则表达式非常难用，而boost对一个功能进行了拓展，前面一篇文章《boost——入门指南》讲了boost使用环境的配制和入门指南，这篇文章将进一步说说boost中正则表达式的使用，如果您还未搭建好boost的使用环境，请参见《boost——入门指南》。

 

 

本来还想自己写这篇文章来着，但是看到网上已经有同仁写了相同主题的文章，而且写的非常好，我就没有必要重复造轮胎了。 现将这位同仁的博文贴至如下：

原文：http://www.cppblog.com/ming81/archive/2011/05/04/145686.html

注意使用Boost.Regex需要预先编译

完整编译请参考本站 编译Boost的文章
如果只要编译Regex库，有两种方法(参考链接):

1. 在Boost根目录下运行bjam --toolset=<编译器名> --with-regex 其它参数
2. 到\libs egex\build里，找到对应编译器的makefile，然后make -f xxxx.mak

使用

Boost.Regex手里有七种武器和两****宝
其中的七种武器是:

regex_match 函数
regex_search 函数
regex_replace 函数
regex_format 函数
regex_grep 函数
regex_split 函数
RegEx 类

每种武器都又有诸多变化（ 每个函数都分别以C字符串类型、std::string类型、迭代器类型作为参数重载 ）,不过后面四种武器因年久失修已不建议使用.
两****宝是:

regex_iterator 迭代器
regex_token_iterator 迭代器

这两****宝是整个Boost.Regex的灵魂，用熟它们以后那是“摘花飞叶即可伤人”啊~~

回到正题，下面边写边学。

所需头文件:

#include 

 

示例代码:

先准备一个测试用的数据备用，如果各位有雅兴可以参考本站的另一篇文章《 Google Testing 》使用Google Testing框架来做这个实验，花一样时间学两样啊~~

#include
#include

using namespace std;
int main(int argc, char* argv[])
{    //( 1 )   ((  3  )  2 )((  5 )4)(    6    )
    //(\w+)://((\w+\.)*\w+)((/\w*)*)(/\w+\.\w+)?
    //^协议://网址(x.x...x)/路径(n个\字串)/网页文件(xxx.xxx)
    const char *szReg = "(\\w+)://((\\w+\\.)*\\w+)((/\\w*)*)(/\\w+\\.\\w+)?";
    const char *szStr = "http://www.cppprog.com/2009/0112/48.html";

    //练习代码...


    cin.get(); //暂停
}

1.字符串匹配

要确定一行字符串是否与指定的正则表达式匹配，使用 regex_match 。
下面这个代码可以验证szStr字串（定义在上面）是否与szReg匹配。

{    //字符串匹配
    boost::regex reg( szReg );
    bool r=boost::regex_match( szStr , reg);
    assert(r); //是否匹配
}

boost::regex 的构造函数中还可以加入标记参数用于指定它的行为，如:

//指定使用perl语法（默认），忽略大小写。
boost::regex reg1( szReg, boost::regex::perl|boost::regex::icase );
//指定使用POSIX扩展语法（其实也差不多）
boost::regex reg2( szReg, boost::regex::extended );

下面这个代码不仅验证是否匹配，而且可以从中提取出正则表达式括号对应的子串。

{    //提取子串
    boost::cmatch mat;
    boost::regex reg( szStr );
    bool r=boost::regex_match( szStr, mat, reg);
    if(r) //如果匹配成功
    {
        //显示所有子串
        for(boost::cmatch::iterator itr=mat.begin(); itr!=mat.end(); ++itr)
        {
            //       指向子串对应首位置        指向子串对应尾位置          子串内容
            cout << itr->first-szStr << ' ' << itr->second-szStr << ' ' << *itr << endl;
        }
    }
    //也可直接取指定位置信息
    if(mat[4].matched) cout << "Path is" << mat[4] << endl;
}

其中， boost::cmatch 是一个针对 C字符串 的特化版本，它还有另三位兄弟,如下:

typedef match_results cmatch;
typedef match_results smatch;
typedef match_results wcmatch;
typedef match_results wsmatch;

可以把 match_results 看成是一个 sub_match 的容器，同时它还提供了 format 方法来代替 regex_format 函数。
一个 sub_match 就是一个子串，它从 std::pair 继承而来，这个 迭代器pair 里的 first 和 second 分别指向了这个子串开始和结尾所在位置。同时， sub_match 又提供了 str()，length() 方法来返回整个子串。
 

2.查找字符串

regex_match 只验证是否完全匹配，如果想从一大串字符串里找出匹配的一小段字符串（ 比如从网页文件里找超链接 ），这时就要使用 regex_search 了。
下面这段代码从szStr中找数字

{ //查找
    boost::cmatch mat;
    boost::regex reg( "\\d+" );    //查找字符串里的数字
    if(boost::regex_search(szStr, mat, reg))
    {
        cout << "searched:" << mat[0] << endl;
    }
}

 

3.替换

regex_replace 提供了简便的方法来部分替换源字符串
正则表达式中，使用 $1~$9 （ 或\1~\9 ）表示第几个子串, $& 表示整个串， $` 表示第一个串, $' 表示最后未处理的串。

{ //替换1，把上面的HTTP的URL转成FTP的
    boost::regex reg( szReg );
    string s = boost::regex_replace( string(szStr), reg, "ftp://$2$5");
    cout << "ftp site:"<< s << endl;
}

正则表达式中，使用 (?1~?9新字串) 表示把第几个子串替换成新字串,其中是S1（）代表一个字串，S2的（?1）代表替换哪个字串，?0代表所有都要加上后面的字符串?1代表第一个替换成的字符串

{ //替换2，使用format_all参数把<>&全部转换成网页字符
    string s1 = "(<)|(>)|(&)";
    string s2 = "(?1<)(?2>)(?3&)";
    boost::regex reg( s1 );
    string s = boost::regex_replace( string("cout << a&b << endl;"), reg, s2, boost::match_default | boost::format_all);
    cout << "HTML:"<< s << endl;
}

 

4.使用regex_iterator查找

    对应于C字符串和C++字符串以及宽字符， regex_iterator同样也有四个特化:

    typedef regex_iterator cregex_iterator;
    typedef regex_iterator sregex_iterator;
    typedef regex_iterator wcregex_iterator;
    typedef regex_iterator wsregex_iterator;

    这个迭代器的 value_type定义是一个 match_results。

{ //使用迭代器找出所有数字
    boost::regex reg( "\\d+" );    //查找字符串里的数字
    boost::cregex_iterator itrBegin(szStr, szStr+strlen(szStr), reg);
    boost::cregex_iterator itrEnd;
    for(boost::cregex_iterator itr=itrBegin; itr!=itrEnd; ++itr)
    {
            //       指向子串对应首位置        指向子串对应尾位置          子串内容
            cout << (*itr)[0].first-szStr << ' ' << (*itr)[0].second-szStr << ' ' << *itr << endl;
    }
}

    Boost.Regex也提供了 make_regex_iterator函数简化 regex_iterator的构造，如上面的 itrBegin可以写成:

itrBegin = make_regex_iterator(szStr,reg);

 

5.使用regex_token_iterator拆分字符串

    它同样也有四个特化，形式和上面类似，就不再写一遍骗篇幅了。
    这个迭代器的 value_type定义是一个 sub_match。

{ //使用迭代器拆分字符串
    boost::regex reg("/");  //按/符拆分字符串
    boost::cregex_token_iterator itrBegin(szStr, szStr+strlen(szStr), reg,-1);
    boost::cregex_token_iterator itrEnd;
    for(boost::cregex_token_iterator itr=itrBegin; itr!=itrEnd; ++itr)
    {
        cout << *itr << endl;
    }
}

    Boost.Regex也提供了 make_regex_token_iterator函数简化 regex_token_iterator的构造，最后的那个参数 -1表示以 reg为分隔标志拆分字符串，如果不是-1则表示取第几个子串，并且可以使用数组来表示同时要取几个子串，例如:

{ //使用迭代器拆分字符串2
    boost::regex reg("(.)/(.)");  //取/的前一字符和后一字符（这个字符串形象貌似有点邪恶-_-）
    int subs[] = {1,2};        // 第一子串和第二子串
    boost::cregex_token_iterator itrBegin = make_regex_token_iterator(szStr,reg,subs); //使用-1参数时拆分，使用其它数字时表示取第几个子串，可使用数组取多个串
    boost::cregex_token_iterator itrEnd;
    for(boost::cregex_token_iterator itr=itrBegin; itr!=itrEnd; ++itr)
    {
        cout << *itr << endl;
    }
}

完整测试代码:

#include
#include

using namespace std;
int main(int argc, char* argv[])
{    //( 1 )   ((  3  )  2 )((  5 )4)(    6    )
    //(\w+)://((\w+\.)*\w+)((/\w*)*)(/\w+\.\w+)?
    //^协议://网址(x.x...x)/路径(n个\字串)/网页文件(xxx.xxx)
    const char *szReg = "(\\w+)://((\\w+\\.)*\\w+)((/\\w*)*)(/\\w+\\.\\w+)?";
    const char *szStr = "http://www.cppprog.com/2009/0112/48.html";

    {    //字符串匹配
        boost::regex reg( szReg );
        bool r=boost::regex_match( szStr , reg);
        assert(r);
    }

    {    //提取子串
        boost::cmatch mat;
        boost::regex reg( szReg );
        bool r=boost::regex_match( szStr, mat, reg);
        if(r) //如果匹配成功
        {
            //显示所有子串
            for(boost::cmatch::iterator itr=mat.begin(); itr!=mat.end(); ++itr)
            {
                //       指向子串对应首位置        指向子串对应尾位置          子串内容
                cout << itr->first-szStr << ' ' << itr->second-szStr << ' ' << *itr << endl;
            }
        }
        //也可直接取指定位置信息
        if(mat[4].matched) cout << "Path is" << mat[4] << endl;
    }

    { //查找
        boost::cmatch mat;
        boost::regex reg( "\\d+" );    //查找字符串里的数字
        if(boost::regex_search(szStr, mat, reg))
        {
            cout << "searched:" << mat[0] << endl;
        }
    }

    { //替换
        boost::regex reg( szReg );
        string s = boost::regex_replace( string(szStr), reg, "ftp://$2$5");
        cout << "ftp site:"<< s << endl;
    }
    { //替换2，把<>&转换成网页字符
        string s1 = "(<)|(>)|(&)";
        string s2 = "(?1<)(?2>)(?3&)";
        boost::regex reg( s1 );
        string s = boost::regex_replace( string("cout << a&b << endl;"), reg, s2, boost::match_default | boost::format_all);
        cout << "HTML:"<< s << endl;
    }

    { //使用迭代器找出所有数字
        boost::regex reg( "\\d+" );    //查找字符串里的数字
        boost::cregex_iterator itrBegin = make_regex_iterator(szStr,reg); //(szStr, szStr+strlen(szStr), reg);
        boost::cregex_iterator itrEnd;
        for(boost::cregex_iterator itr=itrBegin; itr!=itrEnd; ++itr)
        {
                //       指向子串对应首位置        指向子串对应尾位置          子串内容
                cout << (*itr)[0].first-szStr << ' ' << (*itr)[0].second-szStr << ' ' << *itr << endl;
        }
    }

    { //使用迭代器拆分字符串
        boost::regex reg("/");  //按/符拆分字符串
        boost::cregex_token_iterator itrBegin = make_regex_token_iterator(szStr,reg,-1); //使用-1参数时拆分，使用其它数字时表示取第几个子串，可使用数组取多个串
        boost::cregex_token_iterator itrEnd;
        for(boost::cregex_token_iterator itr=itrBegin; itr!=itrEnd; ++itr)
        {
            cout << *itr << endl;
        }
    }

    { //使用迭代器拆分字符串2
        boost::regex reg("(.)/(.)");  //取/的前一字符和后一字符（这个字符串形象貌似有点邪恶-_-）
        int subs[] = {1,2};        // 第一子串和第二子串
        boost::cregex_token_iterator itrBegin = make_regex_token_iterator(szStr,reg,subs); //使用-1参数时拆分，使用其它数字时表示取第几个子串，可使用数组取多个串
        boost::cregex_token_iterator itrEnd;
        for(boost::cregex_token_iterator itr=itrBegin; itr!=itrEnd; ++itr)
        {
            cout << *itr << endl;
        }
    }


    cin.get();
    return 0;
}