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：

1. 长度大于5，小于等于11；

2. 首位不能为0；

3. 是否为纯数字？

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：

 1std::string qq;
 2std::cin >> qq;
 3
 4// 1. 判断位数是否合法
 5if (qq.length() >= 5 && qq.length() <= 11)
 6{
 7    // 2. 判断是否非'0'开头
 8    if (qq[0] != '0')
 9    {
10        // 3. 判断是否为纯数字
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}

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：

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

 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);

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：

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：

 1std::cmatch m;
 2auto ret = std::regex_match("value", m, std::regex("<(.*)>(.*)"));
 3if (ret)
 4{
 5    std::cout << m.str() << std::endl;
 6    std::cout << m.length() << std::endl;
 7    std::cout << m.position() << std::endl;
 8}
 9
10std::cout << "----------------" << std::endl;
11
12// 遍历匹配内容
13for (auto i = 0; i < m.size(); ++i)
14{
15    // 两种方式都可以
16    std::cout << m[i].str() << " " << m.str(i) << std::endl;
17}
18
19std::cout << "----------------" << std::endl;
20
21// 使用迭代器遍历
22for (auto pos = m.begin(); pos != m.end(); ++pos)
23{
24    std::cout << *pos << std::endl;
25}

输出结果为：

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

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：

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

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：

 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 << elem << std::endl;
 8}
 9
10std::cout << "prefix:" << m.prefix() << std::endl;
11std::cout << "suffix:" << m.suffix() << std::endl;

输出为：

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

 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 << m.str() << std::endl;
10    std::cout << m.str(1) << std::endl;
11    std::cout << m.str(2) << std::endl;
12    std::cout << m.str(3) << std::endl;
13}

输出结果为：

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

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：

1std::string mail("123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com");
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 << pos->str() << std::endl;
8}

这样，就能通过逗号分割得到所有的邮箱：

1123@qq.vip.com
2456@gmail.com
3789@163.com
4abcd@my.com

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：

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

我们还可以使用分组功能：

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");

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：

1std::string data = "123@qq.vip.com,456@gmail.com,789@163.com,abcd@my.com";
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 << pos->str() << std::endl;
9}

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：

1123@qq.vip.com
2456@gmail.com
3789@163.com
4abcd@my.com

但若我输入一个“Abc0_@aAa1.123.456.789”，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：

 1std::string data = "123@qq.vip.com, \
 2           456@gmail.com, \
 3           789@163.com.cn.mail, \
 4           abcd@my.com, \
 5           Abc0_@aAa1.123.456.789 \
 6           haha@163.com.cn.com.cn";
 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 << pos->str() << std::endl;
14}

输出为：

1123@qq.vip.com
2456@gmail.com
3789@163.com.cn.mail
4abcd@my.com
5haha@163.com.cn.com

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，
要求：取出其中的IP地址，并按地址段顺序输出IP地址。

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：

 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 << "原内容为：\n" << ip << std::endl;
 4
 5// 1. 位数对齐
 6ip = std::regex_replace(ip, std::regex("(\\d+)"), "00$1");
 7
 8std::cout << "位数对齐后为：\n" << ip << 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后为：\n" << ip << 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最终结果：\n";
27
28// 4. 输出排序后的数组
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}

输出结果为：

 1原内容为：
 2192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30
 3位数对齐后为：
 400192.0068.001.00254 00102.0049.0023.00013 0010.0010.0010.0010 002.002.002.002 008.00109.0090.0030
 5去掉0后为：
 6192.068.001.254 102.049.023.013 010.010.010.010 002.002.002.002 008.109.090.030
 7------
 8最终结果：
 92.2.2.2
108.109.90.30
1110.10.10.10
12102.49.23.13
13192.68.1.254