C++中的也能使用正則表達式

      正則表達式Regex(regular expression)是一種強大的描述字符序列的工具。在許多語言中都存在着正則表達式，C++11中也將正則表達式納入了新標准的一部分，不僅如此，它還支持了6種不同的正則表達式的語法，分別是：ECMASCRIPT、basic、extended、awk、grep和egrep。其中ECMASCRIPT是默認的語法，具體使用哪種語法我們可以在構造正則表達式的時候指定。

注：ECMAScript是一種由Ecma國際（前身為歐洲計算機制造商協會,英文名稱是European Computer Manufacturers Association）通過ECMA-262標准化的腳本程序設計語言。它往往被稱為JavaScript，但實際上后者是ECMA-262標准的實現和擴展。

下面我們就以本篇博客的頁面（http://www.cnblogs.com/ittinybird/p/4853532.html）源碼為例，從零開始演示如何在C++中使用正則表達式提取一個網頁源碼中所有可用的http鏈接。如果有時間的話，近期我想用C++11的新特性，改寫一下以前的C++爬蟲程序，分享出來。

確保你的編譯器支持Regex

     如果你的編譯器是GCC-4.9.0或者VS2013以下版本，請升級后，再使用。我之前使用的C++編譯器，是GCC 4.8.3，有regex頭文件，但是GCC很不厚道的沒有實現，語法完全支持，但是庫還沒跟上，所以編譯的時候是沒有問題的，但是一運行就會直接拋出異常，非常完美的一個坑有木有！具體錯誤如下：

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

如果你也遇到了這個問題，請不要先懷疑自己，GCC這一點是非常坑爹的！！！我在這個上面浪費了半天的時間才找了出來。所以在嘗鮮C++的正則表達式之前，請升級你的編譯器，確保你的編譯器支持它。

regex庫概覽

      在頭文件<regex>中包含了多個我們使用正則表達式時需要用到的組件，大致有：

basic_regex	正則表達式對象,是一個通用的模板，有typedef basic_regex<char> regex 和 typedef basic_regex<char_t>wregex；
regex_match	將一個字符序列和正則表達式匹配
regex_search	尋找字符序列中的子串中與正則表達式匹配的結果,在找到第一個匹配的結果后就會停止查找
regex_replace	使用格式化的替換文本，替換正則表達式匹配到字符序列的地方
regex_iterator	迭代器，用來匹配所有 的子串
match_results	容器類，保存正則表達式匹配的結果。
sub_match	容器類，保存子正則表達式匹配的字符序列.

ECMASCRIPT正則表達式語法

      正則表達式式的語法基本大同小異，在這里就浪費篇幅細摳了。ECMASCRIPT正則表達式的語法知識可以參考W3CSCHOOL。

構造正則表達式

     構造正則表達式用到一個類：basic_regex。basic_regex是一個正則表達式的通用類模板，對char和wchar_t類型都有對應的特化：

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

構造函數比較多，但是非常簡單：

//默認構造函數，將匹配任何的字符序列
basic_regex();
//用一個以‘\0’結束的字符串s構造一個正則表達式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上，但是制定了用於構造的字符串s的長度為count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷貝構造，不贅述
basic_regex( const basic_regex& other );
 //移動構造函數
basic_regex( basic_regex&& other );
//以basic_string類型的str構造正則表達式
template< class ST, class SA >
explicit basic_regex( const std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范圍[first,last)內的字符串構造正則表達式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list構造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );

以上除默認構造之外的構造函數，都有一個flag_type類型的參數用於指定正則表達式的語法，ECMASCRIPT、basic、extended、awk、grep和egrep均是可選的值。除此之外還有其他幾種可能的的標志，用於改變正則表達式匹配時的規則和行為：

flag_type	effects
icase	在匹配過程中忽略大小寫
nosubs	不保存匹配的子表達式
optimize	執行速度優於構造速度

      有了構造函數之后，現在我們就可以先構造出一個提取http鏈接的正則表達式：

std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?");    //匹配規則很簡單，如果有疑惑，可以對照語法查看
std::regex r(pattern);

值得一提的是在C++中'\'這個字符需要轉義，因此所有ECMASCRIPT正則表達式語法中的'\'都需要寫成“\\”的形式。我測試的時候，這段regex如果沒有加轉義，在gcc中會給出警告提示，vs2013編譯后后運行直接崩潰了。

正確地處理輸入

      先扯一個題外話，假設我們不是使用了網絡庫自動在程序中下載的網頁，在我們手動下載了網頁並保存到文件后，首先我們要做的還是先把網頁的內容(html源碼)存入一個std::string中，我們可能會使用這樣的錯誤方式：

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

這樣一來源代碼中所有的空白字符就無意中被我們全處理了，這顯然不合適。這里我們還是使用getline()這個函數來處理：

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

這樣一來原來的文本才能得到正確的輸入。當然個人以為這些小細節還是值得注意的，到時候出錯debug的時候，我想我們更多地懷疑的是自己的正則表達式是否是有效。

regex_search()只查找到第一個匹配的子序列

      根據函數的字面語義，我們可能會錯誤的選擇regex_search()這個函數來進行匹配。其函數原型也有6個重載的版本，用法也是大同小異，函數返回值是bool值，成功返回true，失敗返回false。鑒於篇幅，我們只看我們下面要使用的這個：

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 );

第一個參數s是std::basic_string類型的，它是我們待匹配的字符序列，參數m是一個match_results的容器用於存放匹配到的結果，參數e則是用來存放我們之前構造的正則表達式對象。flags參數值得一提，它的類型是std::regex_constants::match_flag_type，語義上匹配標志的意思。正如在構造正則表達式對象時我們可以指定選項如何處理正則表達式一樣，在匹配的過程中我們依然可以指定另外的標志來控制匹配的規則。這些標志的具體含義，我從cppreference.com 引用過來，用的時候查一下就可以了：

Constant	Explanation
match_not_bol	The first character in [first,last) will be treated as if it is not at the beginning of a line (i.e. ^ will not match [first,first)
match_not_eol	The last character in [first,last) will be treated as if it is not at the end of a line (i.e. $ will not match[last,last)
match_not_bow	"\b" will not match [first,first)
match_not_eow	"\b" will not match [last,last)
match_any	If more than one match is possible, then any match is an acceptable result
match_not_null	Do not match empty sequences
match_continuous	Only match a sub-sequence that begins at first
match_prev_avail	--first is a valid iterator position. When set, causes match_not_bol and match_not_bow to be ignored
format_default	Use ECMAScript rules to construct strings in std::regex_replace (syntax documentation)
format_sed	Use POSIX sed utility rules in std::regex_replace. (syntax documentation)
format_no_copy	Do not copy un-matched strings to the output in std::regex_replace

根據參數類型，於是我們構造了這樣的調用：

std::smatch results;
regex_search(html,results,r);

不過，標准庫規定regex_search()在查找到第一個匹配的子串后，就會停止查找！在本程序中，results參數只帶回了第一個滿足條件的http鏈接。這顯然並不能滿足我們要提取網頁中所有HTTP鏈接需要。

使用regex_iterator匹配所有子串

      嚴格意義上regex_iterator是一種迭代器適配器，它用來綁定要匹配的字符序列和regex對象。regex_iterator的默認構造函數比較特殊，就直接構造了一個尾后迭代器。另外一個構造函數原型：

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

和上邊的regex_search()一樣，regex_iterator的構造函數中也有std::regex_constants::match_flag_type類型的參數，用法一樣。其實regex_iterator的內部實現就是調用了regex_search()，這個參數是用來傳遞給regex_search()的。用gif或許可以演示的比較形象一點，具體是這樣工作的（顏色加深部分，表示可以匹配的子序列）：

首先在構造regex_iterator的時候，構造函數中首先就調用一次regex_search()將迭代器it指向了第一個匹配的子序列。以后的每一次迭代的過程中（++it），都會在以后剩下的子序列中繼續調用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，我們寫起來代碼就輕松多了。結合前面的部分我們，這個程序就基本寫好了：

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

下載本頁的html源碼保存為test.html，編譯這個源碼測試一下，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和異常處理

      如果我們的正則表達式存在錯誤，則在運行的時候標准庫會拋出一個regex_error異常，他有一個名為code的成員，用於標記錯誤的類型，具體錯誤值和語義如下表所示：

code	含義
error_collate	無效的元素校對
error_ctype	無效的字符類
error_escape	無效的轉移字符或者無效的尾置轉義
error_backref	無效的向后引用
error_brack	方括號不匹配
error_paren	小括號不匹配
error_brace	大括號不匹配
error_badbrace	大括號中的范圍無效
error_range	無效的（不合法）字符范圍
error_space	內存不足
error_badrepeat	重復字符之前沒有正則表達式（* + ?）
error_complexity	太復雜了，標准庫君hold不住了
error_stack	棧空間不足了

有關異常處理的基本內容，不是本篇要討論的內容，就不贅述了。

小結

     C++11標准庫中的正則表達式部分還有部分內容本文沒有涉及，個人以為掌握了以上的內容后，基本上看一看接口就知道怎么使用了，這里就不浪費篇幅了。

     謝謝你的閱讀，錯誤之處還請您指正，我將萬分感謝：）。