C++ 11 中正则表达式使用示例及源码分析

正则表达式Regex(regular expression)是一种强大的描述字符序列的工具。在许多语言中都存在着正则表达式，C++11中也将正则表达式纳入了新标准的一部分，不仅如此， 它还支持了6种不同的正则表达式的语法，分别是：ECMASCRIPT、basic、extended、awk、grep和egrep。其中 ECMASCRIPT是默认的语法，具体使用哪种语法我们可以在构造正则表达式的时候指定。

注：ECMAScript是一种由Ecma国际（前身为欧洲计算机制造商协会,英文名称是European Computer Manufacturers Association）通过ECMA-262标准化的脚本程序设计语言。它往往被称为JavaScript，但实际上后者是ECMA-262标准的实现 和扩展。

下面我们就以本篇博客的页面（http://www.cnblogs.com/ittinybird/p/4853532.html）源码为例，从 零开始演示如何在C++中使用正则表达式提取一个网页源码中所有可用的http链接。如果有时间的话，近期我想用C++11的新特性，改写一下以前的 C++爬虫程序，分享出来。

确保你的编译器支持Regex

如果你的编译器是GCC-4.9.0或者VS2013以下版本，请升级后，再使用。我之前使用的C++编译器，是GCC 4.8.3，有regex头文件，但是GCC很不厚道的没有实现，语法完全支持，但是库还没跟上，所以编译的时候是没有问题的，但是一运行就会直接抛出异常，非常完美的一个坑有木有！具体错误如下：

terminate called after throwing an instance of 'std::regex_error'
  what():  regex_error
Aborted (core dumped)

如果你也遇到了这个问题，请不要先怀疑自己，GCC这一点是非常坑爹的！！！我在这个上面浪费了半天的时间才找了出来。所以在尝鲜C++的正则表达式之前，请升级你的编译器，确保你的编译器支持它。

regex库概览

在头文件<regex>中包含了多个我们使用正则表达式时需要用到的组件，大致有：

ECMASCRIPT正则表达式语法

正则表达式式的语法基本大同小异，在这里就浪费篇幅细抠了。ECMASCRIPT正则表达式的语法知识可以参考W3CSCHOOL。

构造正则表达式

构造正则表达式用到一个类：basic_regex。basic_regex是一个正则表达式的通用类模板，对char和wchar_t类型都有对应的特化：

typedef basic_regex<char>    regex;
typedef basic_regex<wchar_t> wregex;

构造函数比较多，但是非常简单：

//默认构造函数，将匹配任何的字符序列
basic_regex();
//用一个以‘\0’结束的字符串s构造一个正则表达式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上，但是制定了用于构造的字符串s的长度为count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷贝构造，不赘述
basic_regex( const basic_regex& other );
 //移动构造函数
basic_regex( basic_regex&& other );
//以basic_string类型的str构造正则表达式
template< class ST, class SA >
explicit basic_regex( const std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范围[first,last)内的字符串构造正则表达式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list构造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );

以上除默认构造之外的构造函数，都有一个flag_type类型的参数用于指定正则表达式的语法，ECMASCRIPT、basic、 extended、awk、grep和egrep均是可选的值。除此之外还有其他几种可能的的标志，用于改变正则表达式匹配时的规则和行为：

有了构造函数之后，现在我们就可以先构造出一个提取http链接的正则表达式：

std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?");    //匹配规则很简单，如果有疑惑，可以对照语法查看
std::regex r(pattern);

值得一提的是在C++中’\'这个字符需要转义，因此所有ECMASCRIPT正则表达式语法中的’\'都需要写成“\\”的形式。我测试的时候，这段regex如果没有加转义，在gcc中会给出警告提示，vs2013编译后后运行直接崩溃了。

正确地处理输入

先扯一个题外话，假设我们不是使用了网络库自动在程序中下载的网页，在我们手动下载了网页并保存到文件后，首先我们要做的还是先把网页的内容(html源码)存入一个std::string中，我们可能会使用这样的错误方式：

int main()
{
    std::string tmp,html;
    while(std::cin >> tmp)
        html += tmp;
}

这样一来源代码中所有的空白字符就无意中被我们全处理了，这显然不合适。这里我们还是使用getline()这个函数来处理：

int main()
{
    std::string tmp,html;
    while(getline(std::cin,tmp))
    {
        html += tmp;
        html += '\n';
    }
}

这样一来原来的文本才能得到正确的输入。当然个人以为这些小细节还是值得注意的，到时候出错debug的时候，我想我们更多地怀疑的是自己的正则表达式是否是有效。

regex_search()只查找到第一个匹配的子序列

根据函数的字面语义，我们可能会错误的选择regex_search()这个函数来进行匹配。其函数原型也有6个重载的版本，用法也是大同小异，函数返回值是bool值，成功返回true，失败返回false。鉴于篇幅，我们只看我们下面要使用的这个：

template< class STraits, class SAlloc,class Alloc, class CharT, class Traits >
bool regex_search( const std::basic_string<CharT,STraits,SAlloc>& s,
                   std::match_results<typename std::basic_string<CharT,STraits,SAlloc>::const_iterator, Alloc>& m,
                   const std::basic_regex<CharT, Traits>& e,
                   std::regex_constants::match_flag_type flags = std::regex_constants::match_default );

第一个参数s是std::basic_string类型的，它是我们待匹配的字符序列，参数m是一个match_results的容器用于存放匹配 到的结果，参数e则是用来存放我们之前构造的正则表达式对象。flags参数值得一提，它的类型是 std::regex_constants::match_flag_type，语义上匹配标志的意思。正如在构造正则表达式对象时我们可以指定选项如何 处理正则表达式一样，在匹配的过程中我们依然可以指定另外的标志来控制匹配的规则。这些标志的具体含义，我从cppreference.com 引用过来，用的时候查一下就可以了：

根据参数类型，于是我们构造了这样的调用：

std::smatch results;<br>regex_search(html,results,r);

不过，标准库规定regex_search()在查找到第一个匹配的子串后，就会停止查找！在本程序中，results参数只带回了第一个满足条件的http链接。这显然并不能满足我们要提取网页中所有HTTP链接需要。

使用regex_iterator匹配所有子串

严格意义上regex_iterator是一种迭代器适配器，它用来绑定要匹配的字符序列和regex对象。regex_iterator的默认构造函数比较特殊，就直接构造了一个尾后迭代器。另外一个构造函数原型：

regex_iterator(BidirIt a, BidirIt b,                                                           //分别是待匹配字符序列的首迭代器和尾后迭代器
               const regex_type& re,                                                           //regex对象
               std::regex_constants::match_flag_type m = std::regex_constants::match_default); //标志，同上面的regex_search()中的

和上边的regex_search()一样，regex_iterator的构造函数中也有 std::regex_constants::match_flag_type类型的参数，用法一样。其实regex_iterator的内部实现就是调 用了regex_search()，这个参数是用来传递给regex_search()的。用gif或许可以演示的比较形象一点，具体是这样工作的（颜色 加深部分，表示可以匹配的子序列）：

首先在构造regex_iterator的时候，构造函数中首先就调用一次regex_search()将迭代器it指向了第一个匹配的子序列。以 后的每一次迭代的过程中（++it），都会在以后剩下的子序列中继续调用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，我们写起来代码就轻松多了。结合前面的部分我们，这个程序就基本写好了：

#include <iostream>
#include <regex>
#include <string>

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类型的版本
        it != end;
        ++it)
    {
        std::cout << it->str() << std::endl;
    }
}

下载本页的html源码保存为test.html，编译这个源码测试一下，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和异常处理

如果我们的正则表达式存在错误，则在运行的时候标准库会抛出一个regex_error异常，他有一个名为code的成员，用于标记错误的类型，具体错误值和语义如下表所示：

有关异常处理的基本内容，不是本篇要讨论的内容，就不赘述了。

小结