正則表達(dá)式編程 

 接下來我們會(huì)看到更多的示例。同時(shí)，也會(huì)看到C++正則表達(dá)式API的更多功能。 為了便于下文示例的講解，我們以維基百科上對于正則表達(dá)式的介紹文本為基礎(chǔ)。

我們將這段文字保存在名稱為content.txt的文本文件中。下面幾個(gè)示例會(huì)在這個(gè)文本上操作。

迭代器

在上文中，為了從字符串中查找出所有匹配的字符，我們的做法是遍歷原始字符串的每一個(gè)子字符串來進(jìn)行查找，這樣做很明顯效率很低。更好的做法當(dāng)然是使用迭代器。


正則表達(dá)式迭代器一共有四種，分別對應(yīng)了是否是寬字符，是否是字符串類型：

在一大段文本中查找所有匹配的目標(biāo)，這是一個(gè)非常常見的需求。而迭代器正好滿足這一需求，它會(huì)依次返回它從文本中找到的匹配內(nèi)容。

• 示例：統(tǒng)計(jì)出文本中一共出現(xiàn)了多個(gè)單詞。
  

思路：組成單詞的字母可以使用[[:alpha:]]字符類來表達(dá)，一個(gè)單詞至少有一個(gè)字母，因此這個(gè)正則表達(dá)式可以寫成：[[:alpha:]]+。然后借助迭代器便可以統(tǒng)計(jì)出總數(shù)量。
代碼示例如下：

這段代碼的說明如下：

1. 匹配單詞的正則表達(dá)式
2. 通過ifstream讀取文本文件
3. 依次讀取文本文件中的每一行
4. 通過正則表達(dá)式迭代器從文本行的逐個(gè)匹配
5. 迭代器的末尾
6. 迭代器遍歷
7. 每遇到一個(gè)匹配進(jìn)行一次計(jì)數(shù)
8. 如果需要，可以輸出匹配的內(nèi)容

這段代碼輸出如下：

接下來的幾個(gè)代碼示例的主體結(jié)構(gòu)和這里會(huì)很相似，我們總是先打開文本文件，然后讀取每一行來進(jìn)行處理。

正則表達(dá)式選項(xiàng)

前面的示例中我們已經(jīng)看到，通過std::regex并傳遞字符串就可以構(gòu)造正則表達(dá)式對象。實(shí)際上，除了std::regex，還有寬字符版本的std::wregex。它們都源自std::basic_regex

在創(chuàng)建正則表達(dá)式對象的時(shí)候，除了描述規(guī)則本身的字符串之外，還可以傳遞一個(gè)flag_type類型的參數(shù)，該參數(shù)的值定義在std::regex_constants::syntax_option_type中。它們中與“文法”相關(guān)的已經(jīng)在上文介紹過了。


剩下的還有幾個(gè)說明如下：

這其中，第一個(gè)是我們最常用的。

示例：匹配文本中“regular expression”所有的單復(fù)數(shù)，并且不區(qū)分大小寫。

思路：單詞的首字母有些會(huì)大寫，我們可以通過[Rr]來匹配大寫或者小寫的R字母，但實(shí)際上，使用icase無疑會(huì)更方便。

代碼示例：

這段代碼與前面的結(jié)構(gòu)是一樣的，我們最需要關(guān)注的可能就是下面這一行：

通過std::regex::icase我們指定了這個(gè)正則表達(dá)式是不區(qū)分大小寫的。

另外還有一個(gè)值得注意的就是正則表達(dá)式末尾的...s?，它意味著單詞可能是單數(shù)或者復(fù)數(shù)，因此結(jié)尾的“s”可以出現(xiàn)0次或者1次。

這段代碼輸出如下：

匹配結(jié)果與分組

std::match_results用來存儲(chǔ)匹配結(jié)果。與迭代器類似，匹配結(jié)果也有四種類型：

當(dāng)我們使用正則表達(dá)式時(shí)，我們的目標(biāo)常常不單單是判斷或者查找完整匹配的內(nèi)容。而是需要捕獲匹配結(jié)果中的子串。例如：我們不僅要匹配出日期，還要捕獲日期中的年份，月份等信息。這個(gè)時(shí)候就要使用分組功能。

我們在介紹正則表達(dá)式特殊字符的時(shí)候，提到過圓括號(和)。它們的作用就是分組。當(dāng)你在正則表達(dá)式中配對的使用圓括號時(shí)，就會(huì)形成一個(gè)分組，一個(gè)正則表達(dá)式中可以包含多個(gè)分組。分組通過編號0, 1, 2, …來區(qū)分。編號0的分組是匹配的整體，其他編號根據(jù)括號的順序來確定。

這些分組最終可以在匹配完成之后，可以通過std::match_results的API來獲取。這些API如下表所示：

在C++中，分組叫做子匹配（sub_match）。std::sub_match 這個(gè)類型只有一個(gè)默認(rèn)構(gòu)造函數(shù)，通常你不會(huì)主動(dòng)創(chuàng)建它，而是使用std::match_results的接口來獲取它的對象。

示例：查找出文本中所有的年代，并分離出世紀(jì)的部分和年份的部分。 思路：年代的格式是四位數(shù)字加上“s”作為后綴。我們可以通過分組的形式分離出兩個(gè)部分。圖示如下：

代碼示例：

這段代碼說明如下：

1. 這個(gè)正則表達(dá)式請注意其中的圓括號
2. 先打印匹配的字符串整體
3. 所有的分組數(shù)量，應(yīng)該是 2 + 1 = 3
4. 打印出世紀(jì)的部分
5. 獲取編號2的分組，其類型是sub_match

這段代碼輸出如下：

稍微深入一點(diǎn)的內(nèi)容

同一個(gè)符號的不同含義

前面的表格中，我們看到了正則表達(dá)式的特殊字符。但需要進(jìn)一步說明的是，這些特殊字符在不同的環(huán)境可能有著不同的含義。


例如，特殊字符-只有在字符組[...]內(nèi)部才是元字符，否則它只能匹配普通的連字符符號。并且，即便在字符組內(nèi)部，如果連字符是在開頭，它依然是一個(gè)普通字符而不是表示一個(gè)范圍。


相反的，問號?和點(diǎn)號.不在字符組內(nèi)部的時(shí)候才是特殊字符。因此[?.]中的這兩個(gè)符號僅僅代表這兩個(gè)字符自身。


還有，字符^出現(xiàn)在字符組中的時(shí)候表示的是否定，例如：[a-z]和[^a-z]表示的是正好相反的字符集。但是當(dāng)字符^不是用在字符組中的時(shí)候，它是一個(gè)錨點(diǎn)，具體內(nèi)容下文會(huì)說到。

量詞的占有欲

還是以content.txt的內(nèi)容為基礎(chǔ)，現(xiàn)在假設(shè)我們的目標(biāo)是：找出所有雙引號中的內(nèi)容。

根據(jù)之前的知識(shí)，你可能很輕松就寫出了下面這個(gè)正則表達(dá)式：

• 兩邊的雙引號通過反斜杠轉(zhuǎn)義
• 待捕獲的內(nèi)容通過圓括號形成分組
• 雙引號中可以是任意內(nèi)容，因此使用.+

但是當(dāng)你運(yùn)行程序的時(shí)候卻發(fā)現(xiàn)它可能有點(diǎn)問題。它捕獲的結(jié)果是：

為什么？其實(shí)很簡單，因?yàn)殡p引號本身也可以與.匹配。上面這個(gè)正則表達(dá)式的含義是：匹配一個(gè)兩端是雙引號，中間是任意文字的內(nèi)容。


當(dāng)然，你馬上想到一個(gè)改進(jìn)方法那就是：將正則表達(dá)式圓括號中的.+改為[^"]+，它的含義是：一個(gè)或多個(gè)非雙引號字符。這么做是可以的。但其實(shí)我們還有更好的做法。


我們再回頭看一下原先的正則表達(dá)式，不考慮分組和轉(zhuǎn)義，它可以寫成：".+"。其實(shí)我們知道下面這三個(gè)字符串都是與其匹配的：

而將整個(gè)文本交給正則表達(dá)式的時(shí)候，它找出了最長的那個(gè)串?？梢姡鹊恼齽t表達(dá)式太過“貪婪”（greedy）。是的，量詞在默認(rèn)情況都是貪婪的。即：它們會(huì)盡可能多的占有內(nèi)容。


那我們能不能控制量詞讓其盡可能少的占有內(nèi)容，只要滿足匹配要求就可以呢？


答案是肯定的，而且做法很簡單：在量詞的后面加上一個(gè)?。即，將圓括號中.+修改為.+?即可。量詞的默認(rèn)形式稱之為“匹配優(yōu)先量詞”，現(xiàn)在這種寫法稱之為“忽略優(yōu)先量詞”。


現(xiàn)在它找到的是下面兩個(gè)匹配：

小結(jié)一下：

錨點(diǎn)

錨點(diǎn)是一類特殊的標(biāo)記，它們不會(huì)匹配任何文本內(nèi)容，而是尋找特定的標(biāo)記。你可以簡單理解為它是原先表達(dá)式的基礎(chǔ)上增加了新的匹配條件。如果條件不滿足，則無法完成匹配。

錨點(diǎn)主要分為三種：

下面是代碼示例：

它的輸出如下：

環(huán)視

現(xiàn)在假設(shè)我們有下面兩個(gè)需求：

1. 匹配出所有sometimes中的前四個(gè)字符“some”
2. 匹配出所有的單詞some，但是要排除掉“some birds”中的“some”

對于第一個(gè)問題，我們可以分兩步：先找出所有的單詞sometimes，然后取前四個(gè)字符。對于第二個(gè)問題，我們可以先找出所有的單詞“some”，然后把后面是“birds”的丟掉。

以上的解法都是分兩步完成。但實(shí)際上，借助環(huán)視（lookaround）我們可以一步就完成任務(wù)。

環(huán)視是對匹配位置的附加條件，只有條件滿足時(shí)才能完成匹配。環(huán)視有：順序（向右），逆序（向左），肯定和否定一共四種：

環(huán)視說起來有些拗口，但看具體的例子就容易理解了：

這段代碼并不復(fù)雜所以就不多做說明，它的輸出結(jié)果如下：

對于包含環(huán)視的正則表達(dá)式來說，環(huán)視之外的內(nèi)容是匹配的主體，環(huán)視本身只是一個(gè)附件條件。(?=sometimes)這個(gè)肯定順序環(huán)視要求從這個(gè)位置開始，接下來的字符串必須是"sometimes"才能完成匹配。(?!some birds)這個(gè)否定順序環(huán)視要是接下來的字符串一定不能是"some birds"才能完成匹配。


為了進(jìn)一步幫助你理解，我們以圖示的方式將(?=sometimes)some匹配"something"的過程描述出來。


圖示中，虛線的上面是待匹配的文本，下面是正則表達(dá)式。對于環(huán)視，我們可以將其環(huán)視條件和主體分開來看。我們以一個(gè)下標(biāo)三角箭頭表示當(dāng)前匹配的搜索位置。


剛開始的時(shí)候，搜索的位置是第一個(gè)字符的前面：

接下來，搜索位置往后走一個(gè)字符：

這個(gè)過程可以一直進(jìn)行，直到匹配完"some"：

雖然正則表達(dá)式的主體"some"完成了匹配，但是接下來環(huán)視的條件卻無法滿足，于是匹配失敗：

但是，如果要匹配內(nèi)容正好是"sometimes"，則條件是滿足的，于是就完成了匹配。