數(shù)據(jù)處理 | 你不得不會的「正則表達式」

若要判斷一個輸入的QQ號是否有效，你會如何處呢？

首先你得分析一下其對應(yīng)規(guī)則，依次列出：

1. 長度大于5，小于等于11；

2. 首位不能為0；

3. 是否為純數(shù)字？

規(guī)則既列，接著就該嘗試實現(xiàn)了，那么用什么來表示字符串呢？在C++中，最容易想到的就是string了，其中提供了許多成員函數(shù)可以處理字符串，所以有了如下實現(xiàn)：

 1std::string?qq;
 2std::cin?>>?qq;
 3
 4//?1.?判斷位數(shù)是否合法
 5if?(qq.length()?>=?5?&&?qq.length()?<=?11)
 6{
 7????//?2.?判斷是否非'0'開頭
 8????if?(qq[0]?!=?'0')
 9????{
10????????//?3.?判斷是否為純數(shù)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}

雖然寫出來了，但是有沒有感到異常繁瑣？這還僅僅是一個對應(yīng)規(guī)則較少的處理，便如此麻煩，若是要檢測IP地址、身份證號，或是解析一段HTML數(shù)據(jù)，或是其它更復(fù)雜的字串，那豈非更令人叫苦不迭？

當(dāng)然，也有許多擴展庫對字符串處理提供了方便，其中比較好用的是boost中的string_algo庫（已于C++17納入了標準庫，并改名為string_view），但本篇主要說C++11的regex庫，其對復(fù)雜數(shù)據(jù)的處理能力非常強，比如可以用它來檢測QQ號：

1std::regex?qq_reg("[1-9]\\d{4,11}");
2bool?ret?=?std::regex_match(qq,?qq_reg);
3std::cout?<"valid"?:?"invalid")?<std::endl;

是不是超級方便呢？那么接下來便來看看如何使用「正則表達式」。

正則程序庫（regex）

「正則表達式」就是一套表示規(guī)則的式子，專門用來處理各種復(fù)雜的操作。

std::regex是C++用來表示「正則表達式」（regular expression）的庫，于C++11加入，它是class std::basic_regex<>針對char類型的一個特化，還有一個針對wchar_t類型的特化為std::wregex。

正則文法（regex syntaxes）

std::regex默認使用是ECMAScript文法，這種文法比較好用，且威力強大，常用符號的意義如下：

上面列出的這些都是非常常用的符號，靠這些便足以解決絕大多數(shù)問題了。

匹配（Match）

字符串處理常用的一個操作是「匹配」，即字符串和規(guī)則恰好對應(yīng)，而用于匹配的函數(shù)為std::regex_match()，它是個函數(shù)模板，我們直接來看例子：

 1std::regex?reg("<.*>.*");
 2bool?ret?=?std::regex_match("value",?reg);
 3assert(ret);
 4
 5ret?=?std::regex_match("value",?reg);
 6assert(!ret);
 7
 8std::regex?reg1("<(.*)>.*");
 9ret?=?std::regex_match("value",?reg1);
10assert(ret);
11
12ret?=?std::regex_match("
value
",?std::regex("<(.*)>value"));
13assert(ret);
14
15//?使用basic文法
16std::regex?reg2("<\\(.*\\)>.*",?std::regex_constants::basic);
17ret?=?std::regex_match("",?reg2);
18assert(ret);

這個小例子使用regex_match()來匹配xml格式（或是html格式）的字符串，匹配成功則會返回true，意思非常簡單，若是不懂其中意思，可參照前面的文法部分。

對于語句中出現(xiàn)\\，是因為\需要轉(zhuǎn)義，C++11以后支持原生字符，所以也可以這樣使用：

1std::regex?reg1(R"(<(.*)>.*)");
2auto?ret?=?std::regex_match("value",?reg1);
3assert(ret);

但C++03之前并不支持，所以使用時要需要留意。

若是想得到匹配的結(jié)果，可以使用regex_match()的另一個重載形式：

 1std::cmatch?m;
 2auto?ret?=?std::regex_match("value",?m,?std::regex("<(.*)>(.*)"));
 3if?(ret)
 4{
 5????std::cout?<std::endl;
 6????std::cout?<std::endl;
 7????std::cout?<std::endl;
 8}
 9
10std::cout?<"----------------"?<std::endl;
11
12//?遍歷匹配內(nèi)容
13for?(auto?i?=?0;?i?14{
15????//?兩種方式都可以
16????std::cout?<"?"?<std::endl;
17}
18
19std::cout?<"----------------"?<std::endl;
20
21//?使用迭代器遍歷
22for?(auto?pos?=?m.begin();?pos?!=?m.end();?++pos)
23{
24????std::cout?<std::endl;
25}

輸出結(jié)果為：

 1value
 216
 30
 4----------------
 5value?value
 6xml?xml
 7value?value
 8xml?xml
 9----------------
10value
11xml
12value
13xml

cmatch是class template std::match_result<>針對C字符的一個特化版本，若是string，便得用針對string的特化版本smatch。同時還支持其相應(yīng)的寬字符版本wcmatch和wsmatch。

在regex_match()的第二個參數(shù)傳入match_result便可獲取匹配的結(jié)果，在例子中便將結(jié)果儲存到了cmatch中，而cmatch又提供了許多函數(shù)可以對這些結(jié)果進行操作，大多方法都和string的方法類似，所以使用起來比較容易。

m[0]保存著匹配結(jié)果的所有字符，若想在匹配結(jié)果中保存有子串，則得在「正則表達式」中用()標出子串，所以這里多加了幾個括號：

1std::regex("<(.*)>(.*)")

這樣這些子串就會依次保存在m[0]的后面，即可通過m[1],m[2],…依次訪問到各個子串。

搜索（Search）

「搜索」與「匹配」非常相像，其對應(yīng)的函數(shù)為std::regex_search，也是個函數(shù)模板，用法和regex_match一樣，不同之處在于「搜索」只要字符串中有目標出現(xiàn)就會返回，而非完全「匹配」。

還是以例子來看：

 1std::regex?reg("<(.*)>(.*)");
 2std::cmatch?m;
 3auto?ret?=?std::regex_search("123value456",?m,?reg);
 4if?(ret)
 5{
 6????for?(auto&?elem?:?m)
 7????????std::cout?<std::endl;
 8}
 9
10std::cout?<"prefix:"?<std::endl;
11std::cout?<"suffix:"?<std::endl;

輸出為：

1value
2xml
3value
4xml
5prefix:123
6suffix:456

這兒若換成regex_match匹配就會失敗，因為regex_match是完全匹配的，而此處字符串前后卻多加了幾個字符。

對于「搜索」，在匹配結(jié)果中可以分別通過prefix和suffix來獲取前綴和后綴，前綴即是匹配內(nèi)容前面的內(nèi)容，后綴則是匹配內(nèi)容后面的內(nèi)容。

那么若有多組符合條件的內(nèi)容又如何得到其全部信息呢？這里依舊通過一個小例子來看：

 1std::regex?reg("<(.*)>(.*)");
 2std::string?content("123value456centerhahahawindowthe?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?<std::endl;
10????std::cout?<1)?<std::endl;
11????std::cout?<2)?<std::endl;
12????std::cout?<3)?<std::endl;
13}

輸出結(jié)果為：

 1----------------
 2value
 3xml
 4value
 5xml
 6----------------
 7center
 8widget
 9center
10widget
11----------------
12window
13vertical
14window
15vertical

此處使用了regex_search函數(shù)的另一個重載形式（regex_match函數(shù)亦有同樣的重載形式），實際上所有的子串對象都是從std::pair<>派生的，其first（即此處的prefix）即為第一個字符的位置，second（即此處的suffix）則為最末字符的下一個位置。

一組查找完成后，便可從suffix處接著查找，這樣就能獲取到所有符合內(nèi)容的信息了。

分詞（Tokenize）

還有一種操作叫做「切割」，例如有一組數(shù)據(jù)保存著許多郵箱賬號，并以逗號分隔，那就可以指定以逗號為分割符來切割這些內(nèi)容，從而得到每個賬號。

而在C++的正則中，把這種操作稱為Tokenize，用模板類regex_token_iterator<>提供分詞迭代器，依舊通過例子來看：

1std::string?mail("[email protected],[email protected],[email protected],[email protected]");
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?<str()?<std::endl;
8}

這樣，就能通過逗號分割得到所有的郵箱：

1123@qq.vip.com
2456@gmail.com
3789@163.com
4[email protected]

sregex_token_iterator是針對string類型的特化，需要注意的是最后一個參數(shù)，這個參數(shù)可以指定一系列整數(shù)值，用來表示你感興趣的內(nèi)容，此處的-1表示對于匹配的正則表達式之前的子序列感興趣；而若指定0，則表示對于匹配的正則表達式感興趣，這里就會得到“,"；還可對正則表達式進行分組，之后便能輸入任意數(shù)字對應(yīng)指定的分組，大家可以動手試試。

替換（Replace）

最后一種操作稱為「替換」，即將正則表達式內(nèi)容替換為指定內(nèi)容，regex庫用模板函數(shù)std::regex_replace提供「替換」操作。

現(xiàn)在，給定一個數(shù)據(jù)為"he…ll..o, worl..d!"， 思考一下，如何去掉其中誤敲的“.”？

有思路了嗎？來看看正則的解法：

1char?data[]?=?"he...ll..o,?worl..d!";
2std::regex?reg("\\.");
3//?output:?hello,?world!
4std::cout?<std::regex_replace(data,?reg,?"");

我們還可以使用分組功能：

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");

當(dāng)使用分組功能后，可以通過$N來得到分組內(nèi)容，這個功能挺有用的。

實例（Examples）

1. 驗證郵箱

這個需求在注冊登錄時常有用到，用于檢測用戶輸入的合法性。

若是對匹配精確度要求不高，那么可以這么寫：

1std::string?data?=?"[email protected],[email protected],[email protected],[email protected]";
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?<str()?<std::endl;
9}

這里使用了另外一種遍歷正則查找的方法，這種方法使用regex iterator來迭代，效率要比使用match高。這里的正則是一個弱匹配，但對于一般用戶的輸入來說沒有什么問題，關(guān)鍵是簡單，輸出為：

1123@qq.vip.com
2456@gmail.com
3789@163.com
4[email protected]

但若我輸入一個“[email protected]”，它依舊能匹配成功，這明顯是個非法郵箱，更精確的正則應(yīng)該這樣寫：

 1std::string?data?=?"[email protected],?\
 2[email protected],?\
 3[email protected],?\
 4[email protected],?\
 5[email protected]?\
 6[email protected]";
 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?<str()?<std::endl;
14}

輸出為：

1123@qq.vip.com
2456@gmail.com
3789@163.com.cn.mail
4[email protected]
5haha@163.com.cn.com

2. 匹配IP

有這樣一串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，并按地址段順序輸出IP地址。

有點晚了，便不詳細解釋了，這里直接給出答案，可供大家參考：

 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?<"原內(nèi)容為：\n"?<std::endl;
 4
 5//?1.?位數(shù)對齊
 6ip?=?std::regex_replace(ip,?std::regex("(\\d+)"),?"00$1");
 7
 8std::cout?<"位數(shù)對齊后為：\n"?<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后為：\n"?<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最終結(jié)果：\n";
27
28//?4.?輸出排序后的數(shù)組
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}

輸出結(jié)果為：

 1原內(nèi)容為：
 2192.68.1.254?102.49.23.013?10.10.10.10?2.2.2.2?8.109.90.30
 3位數(shù)對齊后為：
 400192.0068.001.00254?00102.0049.0023.00013?0010.0010.0010.0010?002.002.002.002?008.00109.0090.0030
 5去掉0后為：
 6192.068.001.254?102.049.023.013?010.010.010.010?002.002.002.002?008.109.090.030
 7------
 8最終結(jié)果：
 92.2.2.2
108.109.90.30
1110.10.10.10
12102.49.23.13
13192.68.1.254