工作需要用到C++中的正則表達式，以下三種正則可供參考
1，C regex
#include <regex.h> #include <iostream> #include <sys/types.h> #include <stdio.h> #include <cstring> #include <sys/time.h> using namespace std; const int times = 1000000; int main(int argc,char** argv) { char pattern[512]="finance\.sina\.cn|stock1\.sina\.cn|3g\.sina\.com\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp.sina.cn/.*ch=9&"; const size_t nmatch = 10; regmatch_t pm[10]; int z ; regex_t reg; char lbuf[256]="set",rbuf[256]; char buf[3][256] = {"finance.sina.cn/google.com/baidu.com.google.sina.cndddddddddddddddddddddda.sdfasdfeoasdfnahsfonadsdf", "3g.com.sina.cn.google.com.dddddddddddddddddddddddddddddddddddddddddddddddddddddbaidu.com.sina.egooooooooo", "http://3g.sina.com.cn/google.baiduchannel=financegogo.sjdfaposif;lasdjf.asdofjas;dfjaiel.sdfaosidfj"}; printf("input strings:\n"); timeval end,start; gettimeofday(&start,NULL); regcomp(®,pattern,REG_EXTENDED|REG_NOSUB); for(int i = 0 ; i < times; ++i) { for(int j = 0 ; j < 3; ++j) { z = regexec(®,buf[j],nmatch,pm,REG_NOTBOL); /* if(z==REG_NOMATCH) printf("no match\n"); else printf("ok\n"); */ } } gettimeofday(&end,NULL); uint time = (end.tv_sec-start.tv_sec)*1000000 + end.tv_usec - start.tv_usec; cout<<time/1000000<<" s and "<<time%1000000<<" us."<<endl; return 0 ; }
使用正則表達式可簡單的分成幾步：
1.編譯正則表達式
2.執行匹配
3.釋放內存
首先，編譯正則表達式
int regcomp(regex_t *preg, const char *regex, int cflags);
reqcomp()函數用於把正則表達式編譯成某種格式，可以使后面的匹配更有效。
preg： regex_t結構體用於存放編譯后的正則表達式；
regex： 指向正則表達式指針；
cflags：編譯模式
共有如下四種編譯模式：
REG_EXTENDED：使用功能更強大的擴展正則表達式
REG_ICASE：忽略大小寫
REG_NOSUB：不用存儲匹配后的結果
REG_NEWLINE：識別換行符，這樣‘$’就可以從行尾開始匹配，‘^’就可以從行的開頭開始匹配。否則忽略換行符，把整個文本串當做一個字符串處理。
其次，執行匹配
int regexec(const regex_t *preg, const char *string, size_t nmatch, regmatch_t pmatch[], int eflags);
preg： 已編譯的正則表達式指針；
string：目標字符串；
nmatch:pmatch數組的長度；
pmatch：結構體數組，存放匹配文本串的位置信息；
eflags：匹配模式
共兩種匹配模式：
REG_NOTBOL：The match-beginning-of-line operator always fails to match (but see the compilation flag REG_NEWLINE above). This flag may be used when different portions of a string are passed to regexec and the beginning of the string should not be interpreted as the beginning of the line.
REG_NOTEOL:The match-end-of-line operator always fails to match (but see the compilation flag REG_NEWLINE above)
最后，釋放內存
void regfree(regex_t *preg);
當使用完編譯好的正則表達式后，或者需要重新編譯其他正則表達式時，一定要使用這個函數清空該變量。
其他，處理錯誤
size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size);
當執行regcomp 或者regexec 產生錯誤的時候，就可以調用這個函數而返回一個包含錯誤信息的字符串。
errcode： 由regcomp 和 regexec 函數返回的錯誤代號。
preg： 已經用regcomp函數編譯好的正則表達式，這個值可以為NULL。
errbuf： 指向用來存放錯誤信息的字符串的內存空間。
errbuf_size： 指明buffer的長度，如果這個錯誤信息的長度大於這個值，則regerror 函數會自動截斷超出的字符串，但他仍然會返回完整的字符串的長度。所以我們可以用如下的方法先得到錯誤字符串的長度。
當然我在測試的時候用到的也比較簡單，所以就直接用了，速度一會再說！
2，C++ regex
#include <regex> #include <iostream> #include <stdio.h> #include <string> using namespace std; int main(int argc,char** argv) { regex pattern("[[:digit:]]",regex_constants::extended); printf("input strings:\n"); string buf; while(cin>>buf) { printf("*******\n%s\n********\n",buf.c_str()); if(buf == "quit") { printf("quit just now!\n"); break; } match_results<string::const_iterator> result; printf("run compare now! '%s'\n", buf.c_str()); bool valid = regex_match(buf,result,pattern); printf("compare over now! '%s'\n", buf.c_str()); if(!valid) printf("no match!\n"); else printf("ok\n"); } return 0 ; }
/* write by xingming
* time:2012年10月19日15:51:53
* for: test regex
* */
#include <regex>
#include <iostream>
#include <stdio.h>
#include <string>
using namespace std;
int main(int argc,char** argv)
{
regex pattern("[[:digit:]]",regex_constants::extended);
printf("input strings:\n");
string buf;
while(cin>>buf)
{
printf("*******\n%s\n********\n",buf.c_str());
if(buf == "quit")
{
printf("quit just now!\n");
break;
}
match_results<string::const_iterator> result;
printf("run compare now! '%s'\n", buf.c_str());
bool valid = regex_match(buf,result,pattern);
printf("compare over now! '%s'\n", buf.c_str());
if(!valid)
printf("no match!\n");
else
printf("ok\n");
}
return 0 ;
}
C++這個真心不想多說它，測試過程中發現 字符匹配的時候 ‘a' 是可以匹配的，a+也是可以的，[[:w:]]也可以匹配任意字符，但[[:w:]]+就只能匹配一個字符，+號貌似不起作用了。所以后來就干脆放棄了這偉大的C++正則，如果有大牛知道這里面我錯在哪里了，真心感謝你告訴我一下，謝謝。
3，boost regex
#include <iostream> #include <string> #include <sys/time.h> #include "boost/regex.hpp" using namespace std; using namespace boost; const int times = 10000000; int main() { regex pattern("finance\\.sina\\.cn|stock1\\.sina\\.cn|3g\\.sina\\.com\\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp\\.s ina\\.cn/.*ch=9&"); cout<<"input strings:"<<endl; timeval start,end; gettimeofday(&start,NULL); string input[] = {"finance.sina.cn/google.com/baidu.com.google.sina.cn", "3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo", "http://3g.sina.com.cn/google.baiduchannel=financegogo"}; for(int i = 0 ;i < times; ++ i) { for(int j = 0 ; j < 3;++j) { //if(input=="quit") // break; //cout<<"string:'"<<input<<'\''<<endl; cmatch what; if(regex_search(input[j].c_str(),what,pattern)) ; // cout<<"OK!"<<endl; else ; // cout<<"error!"<<endl; } } gettimeofday(&end,NULL); uint time = (end.tv_sec-start.tv_sec)*1000000 + end.tv_usec - start.tv_usec; cout<<time/1000000<<" s and "<<time%1000000<<" us."<<endl; return 0 ; }
boost正則不用多說了，要是出去問，C++正則怎么用啊？那90%的人會推薦你用boost正則，他實現起來方便，正則庫也很強大，資料可以找到很多，所以我也不在闡述了。
4，對比情況
| 單位(us) | boost regex | 單位(us) | C regex | |||||||||||
| 1 | 2 | 3 | 4 | 5 | 平均 | 1 | 2 | 3 | 4 | 5 | 平均 | |||
| 1w | 218,699 | 218,700 | 1w | 90,631 | 90,632 | |||||||||
| 10w | 2,186,109 | 2,194,524 | 2,188,762 | 2,186,343 | 2,192,902 | 2,191,350 | 10w | 902,658 | 907,547 | 915,934 | 891,250 | 903,899 | 900,113 | |
| 100w | 25,606,021 | 28,633,984 | 28,956,997 | 26,912,245 | 26,909,788 | 27,669,546 | 100w | 9,030,497 | 9,016,080 | 8,939,238 | 8,953,076 | 9,041,565 | 8,983,831 | |
| 1000w | 218,126,580 | 218,126,581 | 1000w | 89,609,061 | 89,609,062 | |||||||||
| 正則 | finance\\.sina\\.cn|stock1\\.sina\\.cn|3g\\.sina\\.com\\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp\\.s ina\\.cn/.*ch=9& |
正則 | finance\.sina\.cn|stock1\.sina\.cn|3g\.sina\.com\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp.sina.cn/.*ch=9& | |||||||||||
| 字符串 | {"finance.sina.cn/google.com/baidu.com.google.sina.cn" , | 字符串 | {"finance.sina.cn/google.com/baidu.com.google.sina.cn" , | |||||||||||
| "3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo" , | "3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo" , | |||||||||||||
| "http://3g.sina.com.cn/google.baiduchannel=financegogo"}; | http://3g.sina.com.cn/google.baiduchannel=financegogo}; | |||||||||||||
using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Text.RegularExpressions; namespace 平常測試 { class Program { static int times = 1000000; static void Main(string[] args) { Regex reg = new Regex(@"(?>finance\.sina\.cn|stock1\.sina\.cn|3g\.sina\.com\.cn.*(?:channel=finance|_finance$|ch=stock|/stock/)|dp.sina.cn/.*ch=9&)",RegexOptions.Compiled); string[] str = new string[]{@"finance.sina.cn/google.com/baidu.com.google.sina.cn", @"3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo", @"http://3g.sina.com.cn/google.baiduchannel=financegogo"}; int tt = 0; DateTime start = DateTime.Now; for (int i = 0; i < times; ++i) { for (int j = 0; j < 3; ++j) { if (reg.IsMatch(str[j])) ; //Console.WriteLine("OK!"); //else //Console.WriteLine("Error!"); } } DateTime end = DateTime.Now; Console.WriteLine((end - start).TotalMilliseconds); Console.WriteLine(tt); Console.ReadKey(); } } }
結果發現，正則在不進行RegexOptions.Compiled 的時候，速度和C regex的基本一樣，在編譯只會，速度會比C regex快上一倍，這不由得讓我對微軟的那群人的敬畏之情油然而生啊。
但隨后我去查看了一下該博客上面C regex的描述，發現我可以再申明正則的時候加入編譯模式，隨后我加入了上面代碼里的 REG_NOSUB（在先前測試的時候是沒有加入的），結果讓我心理面很激動的速度出來了，C regex 匹配速度竟然達到了 300+w/s，也就是比原來的（不加入REG_NOSUB)的代碼快了將近10倍。
之后我變換了匹配的字符串，將其長度生了一倍，達到每個100字符左右（代碼里面所示），匹配速度就下來了，但是也能達到 100w/s左右，這肯定滿足我們現在的需求了。
結果很顯然，當然會選擇C regex了