数据处理 | 你不得不会的「正则表达式」
|
若要判断一个输入的QQ号是否有效，你会如何处呢？ 首先你得分析一下其对应规则，依次列出：
规则既列，接着就该尝试实现了，那么用什么来表示字符串呢？在C++中，最容易想到的就是string了，其中提供了许多成员函数可以处理字符串，所以有了如下实现： std::string qq;
std::cin >> qq;
// 1. 判断位数是否合法
if (qq.length() >= 5 && qq.length() <= 11)
{
// 2. 判断是否非'0'开头
if (qq[0] != '0')
{
// 3. 判断是否为纯数字
auto pos = std::find_if(qq.begin(),qq.end(),[](const char& ch) {
return ch < '0' || ch > '9';
});
if (pos == qq.end())
std::cout << "valid.n";
}
}
虽然写出来了，但是有没有感到异常繁琐？这还仅仅是一个对应规则较少的处理，便如此麻烦，若是要检测IP地址、身份证号，或是解析一段HTML数据，或是其它更复杂的字串，那岂非更令人叫苦不迭？ 当然，也有许多扩展库对字符串处理提供了方便，其中比较好用的是boost中的string_algo库（已于C++17纳入了标准库，并改名为string_view），但本篇主要说C++11的regex库，其对复杂数据的处理能力非常强，比如可以用它来检测QQ号： std::regex qq_reg("[1-9]d{4,11}");
bool ret = std::regex_match(qq,qq_reg);
std::cout << (ret ? "valid" : "invalid") << std::endl;
是不是超级方便呢？那么接下来便来看看如何使用「正则表达式」。 正则程序库（regex）「正则表达式」就是一套表示规则的式子，专门用来处理各种复杂的操作。 std::regex是C++用来表示「正则表达式」（regular expression）的库，于C++11加入，它是class std::basic_regex<>针对char类型的一个特化，还有一个针对wchar_t类型的特化为std::wregex。 正则文法（regex syntaxes）std::regex默认使用是ECMAScript文法，这种文法比较好用，且威力强大，常用符号的意义如下： 上面列出的这些都是非常常用的符号，靠这些便足以解决绝大多数问题了。 匹配（Match）字符串处理常用的一个操作是「匹配」，即字符串和规则恰好对应，而用于匹配的函数为std::regex_match()，它是个函数模板，我们直接来看例子： std::regex reg("<.*>.*</.*>");
bool ret = std::regex_match("<html>value</html>",reg);
assert(ret);
ret = std::regex_match("<xml>value<xml>",reg);
assert(!ret);
std::regex reg1("<(.*)>.*</1>");
ret = std::regex_match("<xml>value</xml>",reg1);
assert(ret);
ret = std::regex_match("<header>value</header>",std::regex("<(.*)>value</1>"));
assert(ret);
// 使用basic文法
std::regex reg2("<(.*)>.*</1>",std::regex_constants::basic);
ret = std::regex_match("<title>value</title>",reg2);
assert(ret);
这个小例子使用regex_match()来匹配xml格式（或是html格式）的字符串，匹配成功则会返回true，意思非常简单，若是不懂其中意思，可参照前面的文法部分。 对于语句中出现，是因为需要转义，C++11以后支持原生字符，所以也可以这样使用： std::regex reg1(R"(<(.*)>.*</1>)");
auto ret = std::regex_match("<xml>value</xml>",reg1);
assert(ret);
但C++03之前并不支持，所以使用时要需要留意。 若是想得到匹配的结果，可以使用regex_match()的另一个重载形式： std::cmatch m;
auto ret = std::regex_match("<xml>value</xml>",m,std::regex("<(.*)>(.*)</(1)>"));
if (ret)
{
std::cout << m.str() << std::endl;
std::cout << m.length() << std::endl;
std::cout << m.position() << std::endl;
}
std::cout << "----------------" << std::endl;
// 遍历匹配内容
for (auto i = 0; i < m.size(); ++i)
{
// 两种方式都可以
std::cout << m[i].str() << " " << m.str(i) << std::endl;
}
std::cout << "----------------" << std::endl;
// 使用迭代器遍历
for (auto pos = m.begin(); pos != m.end(); ++pos)
{
std::cout << *pos << std::endl;
}
输出结果为： <xml>value</xml> 16 0 ---------------- <xml>value</xml> <xml>value</xml> xml xml value value xml xml ---------------- <xml>value</xml> xml value xml cmatch是class template std::match_result<>针对C字符的一个特化版本，若是string，便得用针对string的特化版本smatch。同时还支持其相应的宽字符版本wcmatch和wsmatch。 在regex_match()的第二个参数传入match_result便可获取匹配的结果，在例子中便将结果储存到了cmatch中，而cmatch又提供了许多函数可以对这些结果进行操作，大多方法都和string的方法类似，所以使用起来比较容易。 m[0]保存着匹配结果的所有字符，若想在匹配结果中保存有子串，则得在「正则表达式」中用()标出子串，所以这里多加了几个括号： std::regex("<(.*)>(.*)</(1)>")
这样这些子串就会依次保存在m[0]的后面，即可通过m[1],m[2],...依次访问到各个子串。 搜索（Search）「搜索」与「匹配」非常相像，其对应的函数为std::regex_search，也是个函数模板，用法和regex_match一样，不同之处在于「搜索」只要字符串中有目标出现就会返回，而非完全「匹配」。 还是以例子来看： std::regex reg("<(.*)>(.*)</(1)>");
std::cmatch m;
auto ret = std::regex_search("123<xml>value</xml>456",reg);
if (ret)
{
for (auto& elem : m)
std::cout << elem << std::endl;
}
std::cout << "prefix:" << m.prefix() << std::endl;
std::cout << "suffix:" << m.suffix() << std::endl;
输出为： <xml>value</xml> xml value xml prefix:123 suffix:456 这儿若换成regex_match匹配就会失败，因为regex_match是完全匹配的，而此处字符串前后却多加了几个字符。 对于「搜索」，在匹配结果中可以分别通过prefix和suffix来获取前缀和后缀，前缀即是匹配内容前面的内容，后缀则是匹配内容后面的内容。 那么若有多组符合条件的内容又如何得到其全部信息呢？这里依旧通过一个小例子来看： std::regex reg("<(.*)>(.*)</(1)>");
std::string content("123<xml>value</xml>456<widget>center</widget>hahaha<vertical>window</vertical>the end");
std::smatch m;
auto pos = content.cbegin();
auto end = content.cend();
for (; std::regex_search(pos,end,reg); pos = m.suffix().first)
{
std::cout << "----------------" << std::endl;
std::cout << m.str() << std::endl;
std::cout << m.str(1) << std::endl;
std::cout << m.str(2) << std::endl;
std::cout << m.str(3) << std::endl;
}
输出结果为： ---------------- <xml>value</xml> xml value xml ---------------- <widget>center</widget> widget center widget ---------------- <vertical>window</vertical> vertical window vertical 此处使用了regex_search函数的另一个重载形式（regex_match函数亦有同样的重载形式），实际上所有的子串对象都是从std::pair<>派生的，其first（即此处的prefix）即为第一个字符的位置，second（即此处的suffix）则为最末字符的下一个位置。 一组查找完成后，便可从suffix处接着查找，这样就能获取到所有符合内容的信息了。 分词（Tokenize）还有一种操作叫做「切割」，例如有一组数据保存着许多邮箱账号，并以逗号分隔，那就可以指定以逗号为分割符来切割这些内容，从而得到每个账号。 而在C++的正则中，把这种操作称为Tokenize，用模板类regex_token_iterator<>提供分词迭代器，依旧通过例子来看： std::string mail("[email?protected],[email?protected],[email?protected],[email?protected]");
std::regex reg(",");
std::sregex_token_iterator pos(mail.begin(),mail.end(),reg,-1);
decltype(pos) end;
for (; pos != end; ++pos)
{
std::cout << pos->str() << std::endl;
}
这样，就能通过逗号分割得到所有的邮箱： [email?protected] [email?protected] [email?protected] [email?protected] sregex_token_iterator是针对string类型的特化，需要注意的是最后一个参数，这个参数可以指定一系列整数值，用来表示你感兴趣的内容，此处的-1表示对于匹配的正则表达式之前的子序列感兴趣；而若指定0，则表示对于匹配的正则表达式感兴趣，这里就会得到“,"；还可对正则表达式进行分组，之后便能输入任意数字对应指定的分组，大家可以动手试试。 替换（Replace）最后一种操作称为「替换」，即将正则表达式内容替换为指定内容，regex库用模板函数std::regex_replace提供「替换」操作。 现在，给定一个数据为"he...ll..o,worl..d!"， 思考一下，如何去掉其中误敲的“.”？ 有思路了吗？来看看正则的解法： char data[] = "he...ll..o,worl..d!";
std::regex reg(".");
// output: hello,world!
std::cout << std::regex_replace(data,"");
我们还可以使用分组功能： char data[] = "001-Neo,002-Lucia";
std::regex reg("(d+)-(w+)");
// output: 001 name=Neo,002 name=Lucia
std::cout << std::regex_replace(data,"$1 name=$2");
当使用分组功能后，可以通过$N来得到分组内容，这个功能挺有用的。 实例（Examples）1. 验证邮箱这个需求在注册登录时常有用到，用于检测用户输入的合法性。 若是对匹配精确度要求不高，那么可以这么写： std::string data = "[email?protected],[email?protected],[email?protected],[email?protected]";
std::regex reg("[email?protected]w+(.w+)+");
std::sregex_iterator pos(data.cbegin(),data.cend(),reg);
decltype(pos) end;
for (; pos != end; ++pos)
{
std::cout << pos->str() << std::endl;
}
这里使用了另外一种遍历正则查找的方法，这种方法使用regex iterator来迭代，效率要比使用match高。这里的正则是一个弱匹配，但对于一般用户的输入来说没有什么问题，关键是简单，输出为： [email?protected] [email?protected] [email?protected] [email?protected] 但若我输入一个“[email?protected]”，它依旧能匹配成功，这明显是个非法邮箱，更精确的正则应该这样写： std::string data = "[email?protected],[email?protected],[email?protected],[email?protected],[email?protected] [email?protected]";
std::regex reg("[a-zA-z0-9_][email?protected][a-zA-z0-9]+(.[a-zA-z]+){1,3}");
std::sregex_iterator pos(data.cbegin(),reg);
decltype(pos) end;
for (; pos != end; ++pos)
{
std::cout << pos->str() << std::endl;
}
输出为： [email?protected] [email?protected] [email?protected] [email?protected] [email?protected] 2. 匹配IP有这样一串IP地址，192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30， 有点晚了，便不详细解释了，这里直接给出答案，可供大家参考： std::string ip("192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30");
std::cout << "原内容为：n" << ip << std::endl;
// 1. 位数对齐
ip = std::regex_replace(ip,std::regex("(d+)"),"00$1");
std::cout << "位数对齐后为：n" << ip << std::endl;
// 2. 有0的去掉
ip = std::regex_replace(ip,std::regex("0*(d{3})"),"$1");
std::cout << "去掉0后为：n" << ip << std::endl;
// 3. 取出IP
std::regex reg("s");
std::sregex_token_iterator pos(ip.begin(),ip.end(),-1);
decltype(pos) end;
std::set<std::string> ip_set;
for (; pos != end; ++pos)
{
ip_set.insert(pos->str());
}
std::cout << "------n最终结果：n";
// 4. 输出排序后的数组
for (auto elem : ip_set)
{
// 5. 去掉多余的0
std::cout << std::regex_replace(elem,std::regex("0*(d+)"),"$1") << std::endl;
}
输出结果为： 原内容为： 192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30 位数对齐后为： 00192.0068.001.00254 00102.0049.0023.00013 0010.0010.0010.0010 002.002.002.002 008.00109.0090.0030 去掉0后为： 192.068.001.254 102.049.023.013 010.010.010.010 002.002.002.002 008.109.090.030 ------ 最终结果： 2.2.2.2 8.109.90.30 10.10.10.10 102.49.23.13 192.68.1.254 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |