什么是正則表達式?

正則表達式是一組由字母和符號組成的特殊文本, 當你想要判斷許多字符串是否符合某個特定格式；當你想在一大段文本中查找出所有的日期和時間；當你想要修改大量日志中所有的時間格式，在這些情況下，正則表達式都能幫上忙。

簡單來說，正則表達式描述了一系列規則，通過這些規則，可以在字符串中找到相關的內容，規則使得搜索的能力更加強大。匹配的過程由正則表達式引擎完成。開發者通常不需要關心正則表達式引擎的實現細節，直接使用其提供的能力即可。

大家可以先想象你正在寫一個應用, 然后你想設定一個用戶命名的規則, 讓用戶名包含字符,數字,下劃線和連字符,以及限制字符的個數,好讓名字看起來沒那么丑. 我們使用以下正則表達式來驗證一個用戶名:

以上的正則表達式可以接受 john_doe , john12_as . 但不匹配 Jo , 因為它包含了大寫的字母而且太短了.

本文將以C++語言為例，介紹其中的正則表達式相關知識。

C++中正則表達式的API基本上都位于頭文件中。

部分代碼為了簡化書寫，都已經默認做了以下操作：

入門示例

為了使大家有一個直觀的感受，文章的開頭先通過一些入門示例給大家一個直觀的感受。在這個基礎之上，再詳細講解其中的細節。

使用正則表達式的大致流程如下：首先你有一段需要處理的文本。這可能是一個字符串對象，也可能是一個文本文件，或者是一大堆日志。接下來你會有特定的目標，例如：找出文本中所有的時間和日期。這個時候你就需要根據可能的格式寫出具體的正則表達式，例如，日期的格式是：2020-01-01，那么你的正則表達式可能是這樣：。（你現在不必糾結與這個正則表達式是什么意思，因為這是本文接下來要講解的內容。）

有了正則表達式之后，你需要將你的文本和正則表達式交給正則表達式引擎 – 由C++語言（或者其他語言）提供。引擎會在文本中搜索到匹配的結果。這個結果的格式可能是包含了多個組，例如：你可能需要分離出年份和月份。有了引擎返回的結果之后，你就可以進一步處理了。

使用正則表達式的流程大體都是一致的，下面是最常見（其他形式大多為其變種）的三種使用方式。

匹配

匹配是判斷給定的字符串是否符合某個正則表達式。例如：你想判斷當前文本是否全部由數字構成。

下面是一段代碼示例：

在這段代碼中：

1. 這是一個包含了數字和字母的字符串
2. 這是一個只包含了數字的字符串
3. 這是我們的正則表達式，它表示：有多個數字cpp
4. 通過判斷第一個字符串是否匹配，這里將返回false
5. 通過判斷第二個字符串是否匹配，這里將返回true

這段代碼輸出如下：

搜索

還有一些時候，我們要判斷的并非是文本的全體是否匹配。而是在一大段文本中搜索匹配的目標。

下面是一段代碼示例，這段示例演示了在一個字符串中查找數字：

1. 這是一個包含了數字和字母的字符串
2. 和前面一樣的正則表達式
3. 通過來保存匹配的結果。除了，還有也很常用。前者是以的形式返回結果，后者是以的形式返回結果。
4. 通過函數搜索結果
5. 打印出匹配的結果

這段代碼輸出如下：

替換

最后，使用正則表達式的還有一個常見功能是文本替換。很多的編輯器都有這樣的功能。

例如，下圖是我的Visual Studio編譯器，在搜索替換文本的時候，可以使用正則表達式，這時搜索的能力就更加強大了。“Find：”部分可以通過正則表達式來描述待替換的字符串，“Replace:”部分填寫替換的字符串。

下面是在C++中使用正則表達式完成字符串替換的代碼示例：

1. 仍然是前面這個字符串
2. 仍然是同樣的正則表達式
3. 通過完成替換
4. 通過輸出結果

最終輸出的字符串如下：

通過上面的三個示例我們看到，，和三個函數是正則表達式的核心，它們會運行正則表達式引擎完成匹配，查找和替換任務。

正則表達式文法

文法

C++中內置了多種正則表達式文法，在創建正則表達式的時候可以通過參數來選擇。

不同的文法在表達上有一些不同，如果你原先已經很熟悉或者文法的正則表達式，你可以直接使用它們。對于其他人來說，我們直接使用默認的ECMAScript文法即可（的正則表達式也是使用ECMAScript文法）。

C++ 中的 ECMAScript 正則表達式文法是 ECMA-262 文法，你可以點擊鏈接查看詳細內容。

下文中，將會 引用 保羅的酒吧：關于正則表達式的解釋。

Raw string literal (原始字符串)

在代碼中寫字符串有時候是比較麻煩的，因為很多字符需要通過反斜杠轉義。當有多個反斜杠連在一起時，就很容易寫錯或者理解錯了。

當通過字符串來寫正則表達式時，這個問題就更嚴重了。因為正則表達式本身也有一些字符需要轉義。例如，對于這樣一個字符串  大部分人恐怕很難一眼看出其含義了。

在正則表達式很復雜的時候，推薦大家使用來表達。這種表達式是告訴編譯器：這里的內容是純字符串，因此不再需要增加反斜杠來轉義特殊字符。

Raw string literal 的格式如下：

這其中：

• delimiter是可選的分隔符，通常不用寫
• raw_characters是具體的字符串

也就是說，中的是你需要的字符串本身。

下面是一個代碼示例：

它將輸出：

可以看到，這里的雙引號和反斜杠不會被解釋成轉義字符，而是當成字符串內容本身，因此會原樣輸出。這樣就減少了轉義字符的復雜度，于是更容易理解了。

特殊字符

正則表達式本身定義了一些特殊的字符，這些字符有著特殊的含義。它們如下表所示。

這些字符并不少，剛開始接觸可能記不住，但隨著下文的講解，相信你會逐漸熟悉它們。

字符類

字符類，顧名思義：是對字符的分類。

例如：1234567890這些都屬于數字字符類。除此之外，還有其他的分類，它們如下表所示：

這里我們可以看到：

• 字符類通過作為標識，因此這兩個字符是正則表達式的中的特殊字符。如果是想使用這兩個字符本身，需要對它們進行轉義。
• 在內部，通過來描述字符類的名稱。
• 中可以通過表示否定，即：字符類的反面。
• 字母，數字和空白字符由于這些字符類非常常用，因此它們有簡寫的方法。簡寫使得正則表達式更加簡潔，但表達的含義是一樣的。

接下來我們看一個代碼示例：

這段代碼稍微有些長，但還是比較好理解的。

該程序的輸出如下：

請仔細看一下這個輸出，并確認與你的認知是否一致。這里的有些字符類包含了換行符，因此在輸出的結果中也是換行的。

重復

上面的示例中，我們一次只匹配了一個字符。這樣做效率是很低的。

在很多時候，我們當然是想一次性匹配出一個完整的字符串。例如：一個手機號碼。這種情況下，其實是多個數字字符的重復。

下面就是在正則表達式中描述重復的方式。它們通常跟在字符類的后面，描述該字符出現多次。

知道重復的方法之后，正則表達式的查找能力就更強大了。看一下下面這個代碼示例：

在這段代碼中：

1. 這里定義了一個函數，它接受一個正則表達式和字符串。
2. match_result用來存儲查找的結果。
3. 設置輸出格式，為了讓輸出對齊。
4. 通過regex_search在字符串中查找匹配字符。
5. 輸出匹配的結果。
6. 待匹配的字符串。
7. [[:alnum:]]{5}是指：字符或者數字出現5次。
8. \\w{5,}是指：字母，數字或者下劃線出現5次或更多次。
9. R"(\W{3,5})"是指：非字母，數字或者下劃線出現3次到5次。
10. [[:digit:]]*是指：數字出現任意多次。
11. .+是指：任意字符出現至少1次。
12. [[:lower:]]?是指：小寫字母出現0次或者1次。

該程序輸出如下：