Boost学习之正则表达式--regex

http://www.cppprog.com/2009/0116/53_3.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<boost>\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 <boost/regex.hpp>

 

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 <iostream>
 #include <boost/regex.hpp>

 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<const char*> cmatch;
typedef match_results<std::string::const_iterator> smatch;
typedef match_results<const wchar_t*> wcmatch;
typedef match_results<std::wstring::const_iterator> 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<BidiIterator, BidiIterator>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&lt;)(?2&gt;)(?3&amp;)";
     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<const char*> cregex_iterator;
    typedef regex_iterator<std::string::const_iterator> sregex_iterator;
    typedef regex_iterator<const wchar_t*> wcregex_iterator;
    typedef regex_iterator<std::wstring::const_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 <iostream>
 #include <boost/regex.hpp>

 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&lt;)(?2&gt;)(?3&amp;)";
         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;
 }