正則表達式編程 

 接下來我們會看到更多的示例。同時，也會看到C++正則表達式API的更多功能。 為了便于下文示例的講解，我們以維基百科上對于正則表達式的介紹文本為基礎。

我們將這段文字保存在名稱為content.txt的文本文件中。下面幾個示例會在這個文本上操作。

迭代器

在上文中，為了從字符串中查找出所有匹配的字符，我們的做法是遍歷原始字符串的每一個子字符串來進行查找，這樣做很明顯效率很低。更好的做法當然是使用迭代器。


正則表達式迭代器一共有四種，分別對應了是否是寬字符，是否是字符串類型：

在一大段文本中查找所有匹配的目標，這是一個非常常見的需求。而迭代器正好滿足這一需求，它會依次返回它從文本中找到的匹配內容。

• 示例：統計出文本中一共出現了多個單詞。
  

思路：組成單詞的字母可以使用[[:alpha:]]字符類來表達，一個單詞至少有一個字母，因此這個正則表達式可以寫成：[[:alpha:]]+。然后借助迭代器便可以統計出總數量。
代碼示例如下：

這段代碼的說明如下：

1. 匹配單詞的正則表達式
2. 通過ifstream讀取文本文件
3. 依次讀取文本文件中的每一行
4. 通過正則表達式迭代器從文本行的逐個匹配
5. 迭代器的末尾
6. 迭代器遍歷
7. 每遇到一個匹配進行一次計數
8. 如果需要，可以輸出匹配的內容

這段代碼輸出如下：

接下來的幾個代碼示例的主體結構和這里會很相似，我們總是先打開文本文件，然后讀取每一行來進行處理。

正則表達式選項

前面的示例中我們已經看到，通過std::regex并傳遞字符串就可以構造正則表達式對象。實際上，除了std::regex，還有寬字符版本的std::wregex。它們都源自std::basic_regex

在創建正則表達式對象的時候，除了描述規則本身的字符串之外，還可以傳遞一個flag_type類型的參數，該參數的值定義在std::regex_constants::syntax_option_type中。它們中與“文法”相關的已經在上文介紹過了。


剩下的還有幾個說明如下：

這其中，第一個是我們最常用的。

示例：匹配文本中“regular expression”所有的單復數，并且不區分大小寫。

思路：單詞的首字母有些會大寫，我們可以通過[Rr]來匹配大寫或者小寫的R字母，但實際上，使用icase無疑會更方便。

代碼示例：

這段代碼與前面的結構是一樣的，我們最需要關注的可能就是下面這一行：

通過std::regex::icase我們指定了這個正則表達式是不區分大小寫的。

另外還有一個值得注意的就是正則表達式末尾的...s?，它意味著單詞可能是單數或者復數，因此結尾的“s”可以出現0次或者1次。

這段代碼輸出如下：

匹配結果與分組

std::match_results用來存儲匹配結果。與迭代器類似，匹配結果也有四種類型：

當我們使用正則表達式時，我們的目標常常不單單是判斷或者查找完整匹配的內容。而是需要捕獲匹配結果中的子串。例如：我們不僅要匹配出日期，還要捕獲日期中的年份，月份等信息。這個時候就要使用分組功能。

我們在介紹正則表達式特殊字符的時候，提到過圓括號(和)。它們的作用就是分組。當你在正則表達式中配對的使用圓括號時，就會形成一個分組，一個正則表達式中可以包含多個分組。分組通過編號0, 1, 2, …來區分。編號0的分組是匹配的整體，其他編號根據括號的順序來確定。

這些分組最終可以在匹配完成之后，可以通過std::match_results的API來獲取。這些API如下表所示：

在C++中，分組叫做子匹配（sub_match）。std::sub_match 這個類型只有一個默認構造函數，通常你不會主動創建它，而是使用std::match_results的接口來獲取它的對象。

示例：查找出文本中所有的年代，并分離出世紀的部分和年份的部分。 思路：年代的格式是四位數字加上“s”作為后綴。我們可以通過分組的形式分離出兩個部分。圖示如下：

代碼示例：

這段代碼說明如下：

1. 這個正則表達式請注意其中的圓括號
2. 先打印匹配的字符串整體
3. 所有的分組數量，應該是 2 + 1 = 3
4. 打印出世紀的部分
5. 獲取編號2的分組，其類型是sub_match

這段代碼輸出如下：

稍微深入一點的內容

同一個符號的不同含義

前面的表格中，我們看到了正則表達式的特殊字符。但需要進一步說明的是，這些特殊字符在不同的環境可能有著不同的含義。


例如，特殊字符-只有在字符組[...]內部才是元字符，否則它只能匹配普通的連字符符號。并且，即便在字符組內部，如果連字符是在開頭，它依然是一個普通字符而不是表示一個范圍。


相反的，問號?和點號.不在字符組內部的時候才是特殊字符。因此[?.]中的這兩個符號僅僅代表這兩個字符自身。


還有，字符^出現在字符組中的時候表示的是否定，例如：[a-z]和[^a-z]表示的是正好相反的字符集。但是當字符^不是用在字符組中的時候，它是一個錨點，具體內容下文會說到。

量詞的占有欲

還是以content.txt的內容為基礎，現在假設我們的目標是：找出所有雙引號中的內容。

根據之前的知識，你可能很輕松就寫出了下面這個正則表達式：

• 兩邊的雙引號通過反斜杠轉義
• 待捕獲的內容通過圓括號形成分組
• 雙引號中可以是任意內容，因此使用.+

但是當你運行程序的時候卻發現它可能有點問題。它捕獲的結果是：

為什么？其實很簡單，因為雙引號本身也可以與.匹配。上面這個正則表達式的含義是：匹配一個兩端是雙引號，中間是任意文字的內容。


當然，你馬上想到一個改進方法那就是：將正則表達式圓括號中的.+改為[^"]+，它的含義是：一個或多個非雙引號字符。這么做是可以的。但其實我們還有更好的做法。


我們再回頭看一下原先的正則表達式，不考慮分組和轉義，它可以寫成：".+"。其實我們知道下面這三個字符串都是與其匹配的：

而將整個文本交給正則表達式的時候，它找出了最長的那個串。可見，原先的正則表達式太過“貪婪”（greedy）。是的，量詞在默認情況都是貪婪的。即：它們會盡可能多的占有內容。


那我們能不能控制量詞讓其盡可能少的占有內容，只要滿足匹配要求就可以呢？


答案是肯定的，而且做法很簡單：在量詞的后面加上一個?。即，將圓括號中.+修改為.+?即可。量詞的默認形式稱之為“匹配優先量詞”，現在這種寫法稱之為“忽略優先量詞”。


現在它找到的是下面兩個匹配：

小結一下：

錨點

錨點是一類特殊的標記，它們不會匹配任何文本內容，而是尋找特定的標記。你可以簡單理解為它是原先表達式的基礎上增加了新的匹配條件。如果條件不滿足，則無法完成匹配。

錨點主要分為三種：

下面是代碼示例：

它的輸出如下：

環視

現在假設我們有下面兩個需求：

1. 匹配出所有sometimes中的前四個字符“some”
2. 匹配出所有的單詞some，但是要排除掉“some birds”中的“some”

對于第一個問題，我們可以分兩步：先找出所有的單詞sometimes，然后取前四個字符。對于第二個問題，我們可以先找出所有的單詞“some”，然后把后面是“birds”的丟掉。

以上的解法都是分兩步完成。但實際上，借助環視（lookaround）我們可以一步就完成任務。

環視是對匹配位置的附加條件，只有條件滿足時才能完成匹配。環視有：順序（向右），逆序（向左），肯定和否定一共四種：

環視說起來有些拗口，但看具體的例子就容易理解了：

這段代碼并不復雜所以就不多做說明，它的輸出結果如下：

對于包含環視的正則表達式來說，環視之外的內容是匹配的主體，環視本身只是一個附件條件。(?=sometimes)這個肯定順序環視要求從這個位置開始，接下來的字符串必須是"sometimes"才能完成匹配。(?!some birds)這個否定順序環視要是接下來的字符串一定不能是"some birds"才能完成匹配。


為了進一步幫助你理解，我們以圖示的方式將(?=sometimes)some匹配"something"的過程描述出來。


圖示中，虛線的上面是待匹配的文本，下面是正則表達式。對于環視，我們可以將其環視條件和主體分開來看。我們以一個下標三角箭頭表示當前匹配的搜索位置。


剛開始的時候，搜索的位置是第一個字符的前面：

接下來，搜索位置往后走一個字符：

這個過程可以一直進行，直到匹配完"some"：

雖然正則表達式的主體"some"完成了匹配，但是接下來環視的條件卻無法滿足，于是匹配失敗：

但是，如果要匹配內容正好是"sometimes"，則條件是滿足的，于是就完成了匹配。