什么是正则表达式?

正则表达式是一组由字母和符号组成的特殊文本, 当你想要判断许多字符串是否符合某个特定格式；当你想在一大段文本中查找出所有的日期和时间；当你想要修改大量日志中所有的时间格式，在这些情况下，正则表达式都能帮上忙。

简单来说，正则表达式描述了一系列规则，通过这些规则，可以在字符串中找到相关的内容，规则使得搜索的能力更加强大。匹配的过程由正则表达式引擎完成。开发者通常不需要关心正则表达式引擎的实现细节，直接使用其提供的能力即可。

大家可以先想象你正在写一个应用, 然后你想设定一个用户命名的规则, 让用户名包含字符,数字,下划线和连字符,以及限制字符的个数,好让名字看起来没那么丑. 我们使用以下正则表达式来验证一个用户名:

以上的正则表达式可以接受 john_doe , john12_as . 但不匹配 Jo , 因为它包含了大写的字母而且太短了.

本文将以C++语言为例，介绍其中的正则表达式相关知识。

C++中正则表达式的API基本上都位于头文件中。

部分代码为了简化书写，都已经默认做了以下操作：

入门示例

为了使大家有一个直观的感受，文章的开头先通过一些入门示例给大家一个直观的感受。在这个基础之上，再详细讲解其中的细节。

使用正则表达式的大致流程如下：首先你有一段需要处理的文本。这可能是一个字符串对象，也可能是一个文本文件，或者是一大堆日志。接下来你会有特定的目标，例如：找出文本中所有的时间和日期。这个时候你就需要根据可能的格式写出具体的正则表达式，例如，日期的格式是：2020-01-01，那么你的正则表达式可能是这样：。（你现在不必纠结与这个正则表达式是什么意思，因为这是本文接下来要讲解的内容。）

有了正则表达式之后，你需要将你的文本和正则表达式交给正则表达式引擎 – 由C++语言（或者其他语言）提供。引擎会在文本中搜索到匹配的结果。这个结果的格式可能是包含了多个组，例如：你可能需要分离出年份和月份。有了引擎返回的结果之后，你就可以进一步处理了。

使用正则表达式的流程大体都是一致的，下面是最常见（其他形式大多为其变种）的三种使用方式。

匹配

匹配是判断给定的字符串是否符合某个正则表达式。例如：你想判断当前文本是否全部由数字构成。

下面是一段代码示例：

在这段代码中：

1. 这是一个包含了数字和字母的字符串
2. 这是一个只包含了数字的字符串
3. 这是我们的正则表达式，它表示：有多个数字cpp
4. 通过判断第一个字符串是否匹配，这里将返回false
5. 通过判断第二个字符串是否匹配，这里将返回true

这段代码输出如下：

搜索

还有一些时候，我们要判断的并非是文本的全体是否匹配。而是在一大段文本中搜索匹配的目标。

下面是一段代码示例，这段示例演示了在一个字符串中查找数字：

1. 这是一个包含了数字和字母的字符串
2. 和前面一样的正则表达式
3. 通过来保存匹配的结果。除了，还有也很常用。前者是以的形式返回结果，后者是以的形式返回结果。
4. 通过函数搜索结果
5. 打印出匹配的结果

这段代码输出如下：

替换

最后，使用正则表达式的还有一个常见功能是文本替换。很多的编辑器都有这样的功能。

例如，下图是我的Visual Studio编译器，在搜索替换文本的时候，可以使用正则表达式，这时搜索的能力就更加强大了。“Find：”部分可以通过正则表达式来描述待替换的字符串，“Replace:”部分填写替换的字符串。

下面是在C++中使用正则表达式完成字符串替换的代码示例：

1. 仍然是前面这个字符串
2. 仍然是同样的正则表达式
3. 通过完成替换
4. 通过输出结果

最终输出的字符串如下：

通过上面的三个示例我们看到，，和三个函数是正则表达式的核心，它们会运行正则表达式引擎完成匹配，查找和替换任务。

正则表达式文法

文法

C++中内置了多种正则表达式文法，在创建正则表达式的时候可以通过参数来选择。

不同的文法在表达上有一些不同，如果你原先已经很熟悉或者文法的正则表达式，你可以直接使用它们。对于其他人来说，我们直接使用默认的ECMAScript文法即可（的正则表达式也是使用ECMAScript文法）。

C++ 中的 ECMAScript 正则表达式文法是 ECMA-262 文法，你可以点击链接查看详细内容。

下文中，将会 引用 保罗的酒吧：关于正则表达式的解释。

Raw string literal (原始字符串)

在代码中写字符串有时候是比较麻烦的，因为很多字符需要通过反斜杠转义。当有多个反斜杠连在一起时，就很容易写错或者理解错了。

当通过字符串来写正则表达式时，这个问题就更严重了。因为正则表达式本身也有一些字符需要转义。例如，对于这样一个字符串  大部分人恐怕很难一眼看出其含义了。

在正则表达式很复杂的时候，推荐大家使用来表达。这种表达式是告诉编译器：这里的内容是纯字符串，因此不再需要增加反斜杠来转义特殊字符。

Raw string literal 的格式如下：

这其中：

• delimiter是可选的分隔符，通常不用写
• raw_characters是具体的字符串

也就是说，中的是你需要的字符串本身。

下面是一个代码示例：

它将输出：

可以看到，这里的双引号和反斜杠不会被解释成转义字符，而是当成字符串内容本身，因此会原样输出。这样就减少了转义字符的复杂度，于是更容易理解了。

特殊字符

正则表达式本身定义了一些特殊的字符，这些字符有着特殊的含义。它们如下表所示。

这些字符并不少，刚开始接触可能记不住，但随着下文的讲解，相信你会逐渐熟悉它们。

字符类

字符类，顾名思义：是对字符的分类。

例如：1234567890这些都属于数字字符类。除此之外，还有其他的分类，它们如下表所示：

这里我们可以看到：

• 字符类通过作为标识，因此这两个字符是正则表达式的中的特殊字符。如果是想使用这两个字符本身，需要对它们进行转义。
• 在内部，通过来描述字符类的名称。
• 中可以通过表示否定，即：字符类的反面。
• 字母，数字和空白字符由于这些字符类非常常用，因此它们有简写的方法。简写使得正则表达式更加简洁，但表达的含义是一样的。

接下来我们看一个代码示例：

这段代码稍微有些长，但还是比较好理解的。

该程序的输出如下：

请仔细看一下这个输出，并确认与你的认知是否一致。这里的有些字符类包含了换行符，因此在输出的结果中也是换行的。

重复

上面的示例中，我们一次只匹配了一个字符。这样做效率是很低的。

在很多时候，我们当然是想一次性匹配出一个完整的字符串。例如：一个手机号码。这种情况下，其实是多个数字字符的重复。

下面就是在正则表达式中描述重复的方式。它们通常跟在字符类的后面，描述该字符出现多次。

知道重复的方法之后，正则表达式的查找能力就更强大了。看一下下面这个代码示例：

在这段代码中：

1. 这里定义了一个函数，它接受一个正则表达式和字符串。
2. match_result用来存储查找的结果。
3. 设置输出格式，为了让输出对齐。
4. 通过regex_search在字符串中查找匹配字符。
5. 输出匹配的结果。
6. 待匹配的字符串。
7. [[:alnum:]]{5}是指：字符或者数字出现5次。
8. \\w{5,}是指：字母，数字或者下划线出现5次或更多次。
9. R"(\W{3,5})"是指：非字母，数字或者下划线出现3次到5次。
10. [[:digit:]]*是指：数字出现任意多次。
11. .+是指：任意字符出现至少1次。
12. [[:lower:]]?是指：小写字母出现0次或者1次。

该程序输出如下：