[原]正则表达式模式匹配入门

Posted 2020-07-28 Navono

介绍

      在实际项目中有个功能的实现需要解析一些特定模式的字符串。而在已有的代码库中，在已实现的部分功能中，都是使用检测特定的字符，使用这种方法的缺点是：

• 逻辑上很容易出错
• 很容易漏掉对一些边界条件的检查
• 代码复杂难以理解、维护
• 性能差

      看到代码库中有一个cpp，整个cpp两千多行代码，有个方法里，光解析字符串的就有400余行！一个个字符对比过去，真是不堪入目。而且上面很多注释都已经过期，很多代码的书写风格也各不相同，基本可以判断是过了很多人手的。

      在这种情况下，基本没办法还沿着这条老路走下去，自然而然就想到了使用正则表达式。而我自己在正则表达式方面没有实际应用的经验，尤其是对于书写匹配规则也是一知半解。第一时间就想到从网上找点资料，先大致了解下。但是度娘的结果依旧还是让人很失望。（当然，如果是想要查找一些比较专业的知识，度娘的结果每次都会让人心碎，无不都是千篇一律的拷贝。但是通常度娘生活方面的还是可以）后来就放弃度娘的查询结果，FQ到了外面去找，也找到了一些比较基础的视频（需FQ）。

      这篇文章可以说是一个总结，把在书写正则表达式的匹配字符串方面的基础知识介绍一下。主要分为以下两个个部分：

1. 匹配字符串的基本规则
2. 正则匹配、查找与替代

本文介绍的正则表达式规则是ECMAScript。使用的编程语言是C++。其他方面的不做介绍。

匹配字符串的基本规则

1. 匹配固定的字符串

regex e("abc");

2. 匹配固定字符串，不区分大小写

regex e("abc", regex_constants::icase);

3. 匹配固定字符串之外多一个字符，不区分大小写

regex e("abc.", regex_constants::icase);		// .  Any character except newline. 1个字符

4. 匹配0个或1个字符

regex e("abc?");				// ?		Zero or 1 preceding character. 匹配?前一个字符

5. 匹配0个或多个字符

regex e("abc*");				// *		Zero or more preceding character. 匹配*前一个字符

6. 匹配1个或多个字符

regex e("abc+");				// +		One or more preceding character. 匹配+前一个字符

7. 匹配特定字符串中的字符

regex e("ab[cd]*");				// [...]	Any character inside square brackets. 匹配[]内的任意字符

8. 匹配非特定字符串的字符

regex e("ab[^cd]*");				// [...]	Any character not inside square brackets. 匹配非[]内的任意字符

9. 匹配特定字符串，且指定数量

regex e("ab[cd]{3}");				// {n}		匹配{}之前任意字符，且字符个数为3个

10. 匹配特定字符串，指定数量范围

regex e("ab[cd]{3,}");				// {n}		匹配{}之前任意字符，且字符个数为3个或3个以上
regex e("ab[cd]{3,5}");			// {n}		匹配{}之前任意字符，且字符个数为3个以上，5个以下闭区间

11. 匹配规则中的某一个规则

regex e("abc|de[fg]");				// |		匹配|两边的任意一个规则

12. 匹配分组

regex e("(abc)de+");				// ()       ()表示一个子分组

13. 匹配子分组

regex e("(abc)de+\\1");			// ()       ()表示一个子分组，而\1表示在此位置匹配第一个分组的内容
regex e("(abc)c(de+)\\2\\1");			// \2		表示的是在此匹配第二个分组的内容

14. 匹配某个字符串开头

regex e("^abc.");				// ^	begin of the string		查找以abc开头的子字符串

15. 匹配某个字符串结尾

regex e("abc.$");				// $	end of the string		查找以abc结尾的子字符串

      以上是最基本的匹配模式的书写。通常如果要匹配特定的字符，需要使用\进行转义，比如在匹配字符串中需要匹配"."，那么在匹配字符串中应该在特定字符前加上\。出了以上的基本规则，如果还不满足特定的需要，那么可以参考此链接。使用了解基本的匹配模式后，需要使用正则表达式进行匹配、查找或者替代。

正则匹配、查找与替代

      书写好模式字符串后，需要将待匹配的字符串和模式字符串进行一定规则的匹配。包括三种方式：匹配（regex_match）、查找（regex_search）、替换（regex_replace）。

      匹配很简单，直接将待匹配字符串和模式字符串传入到regex_match中，返回一个bool量来指明待匹配的字符串是否满足模式字符串的规则。匹配整个str字符串。

bool match = regex_match(str, e);		// 匹配整个字符串str

      查找是在整个字符串中找到和满足模式字符串的子字符串。也就是只要str中存在满足模式字符串就会返回true。

bool match = regex_search(str, e);		// 查找字符串str中匹配e规则的子字符串

      但是很多情况下，光是返回一个是否匹配的bool量是不够的，我们需要拿到匹配的子字符串。那么就需要在模式字符串中将匹配字符串分组，参考【匹配字符串的基本规则】第12点。再将smatch传入到regex_search中，就可以获得满足每个子分组的字符串。

smatch m;
bool found = regex_search(str, m, e);

for (int n = 0; n < m.size(); ++n)
    {
        cout << "m[" << n << "].str()=" << m[n].str() << endl;
    }

      替换也是基于模式字符串在分组情况下完成的。

cout << regex_replace(str, e, "$1 is on $2");

      此时，会在满足分组1和分组2的字符串中间加上“ is on”。

      以上三个函数有很多版本的重载，可以满足不同情况下的需求。

实战

      要求：找出满足sectionA("sectionB")或者sectionA ("sectionB")的模式字符串。且分离出sectionA、sectionB。sectionA和sectionB不会出现数字，字符可大小写，至少有一个字符。

      分析：根据要求，大致可分为两个部分，也就是sectionA和sectionaB。这是就需要用到分组。

第一步：写出满足section情况的模式字符串

[a-zA-Z]+

第二步：在sectionA和sectionB中可能会出现空格。暂且假设至多有1个空格

\\s?

将以上两个情况组合起来，也就是能满足我们需求的模式字符串。但是如何组织才能让其分为两组呢？

[a-zA-Z]+\\s[a-zA-Z]+

上面这种写法肯定不对的，根据分组规则，需要将分组以()进行区分

regex e("([a-zA-Z]+)\\s?\\(\"([a-zA-Z]+)\"\\)");

      此时，在\\s?后面的\\(\"是为了满足sectionB外层的引号和括号进行的转义。

      以上完成后，可先用regex_match进行匹配，如果匹配，那么继续使用regex_search对字符串进行查找

if (regex_match(str, e))
{
	smatch m;
	auto found = regex_search(str, m, e);
	for (int n = 0; n < m.size(); ++n)
	{
		cout << "m[" << n << "].str()=" << m[n].str() << endl;
	}
}
else
{
	cout << "Not matched" << endl;
}

      对象m数组的第一个字符串是满足需求的整个子串，接下来才是满足分组1、分组2的子串。