正则表达式编程 

 接下来我们会看到更多的示例。同时，也会看到C++正则表达式API的更多功能。 为了便于下文示例的讲解，我们以维基百科上对于正则表达式的介绍文本为基础。

我们将这段文字保存在名称为content.txt的文本文件中。下面几个示例会在这个文本上操作。

迭代器

在上文中，为了从字符串中查找出所有匹配的字符，我们的做法是遍历原始字符串的每一个子字符串来进行查找，这样做很明显效率很低。更好的做法当然是使用迭代器。


正则表达式迭代器一共有四种，分别对应了是否是宽字符，是否是字符串类型：

在一大段文本中查找所有匹配的目标，这是一个非常常见的需求。而迭代器正好满足这一需求，它会依次返回它从文本中找到的匹配内容。

• 示例：统计出文本中一共出现了多个单词。
  

思路：组成单词的字母可以使用[[:alpha:]]字符类来表达，一个单词至少有一个字母，因此这个正则表达式可以写成：[[:alpha:]]+。然后借助迭代器便可以统计出总数量。
代码示例如下：

这段代码的说明如下：

1. 匹配单词的正则表达式
2. 通过ifstream读取文本文件
3. 依次读取文本文件中的每一行
4. 通过正则表达式迭代器从文本行的逐个匹配
5. 迭代器的末尾
6. 迭代器遍历
7. 每遇到一个匹配进行一次计数
8. 如果需要，可以输出匹配的内容

这段代码输出如下：

接下来的几个代码示例的主体结构和这里会很相似，我们总是先打开文本文件，然后读取每一行来进行处理。

正则表达式选项

前面的示例中我们已经看到，通过std::regex并传递字符串就可以构造正则表达式对象。实际上，除了std::regex，还有宽字符版本的std::wregex。它们都源自std::basic_regex

在创建正则表达式对象的时候，除了描述规则本身的字符串之外，还可以传递一个flag_type类型的参数，该参数的值定义在std::regex_constants::syntax_option_type中。它们中与“文法”相关的已经在上文介绍过了。


剩下的还有几个说明如下：

这其中，第一个是我们最常用的。

示例：匹配文本中“regular expression”所有的单复数，并且不区分大小写。

思路：单词的首字母有些会大写，我们可以通过[Rr]来匹配大写或者小写的R字母，但实际上，使用icase无疑会更方便。

代码示例：

这段代码与前面的结构是一样的，我们最需要关注的可能就是下面这一行：

通过std::regex::icase我们指定了这个正则表达式是不区分大小写的。

另外还有一个值得注意的就是正则表达式末尾的...s?，它意味着单词可能是单数或者复数，因此结尾的“s”可以出现0次或者1次。

这段代码输出如下：

匹配结果与分组

std::match_results用来存储匹配结果。与迭代器类似，匹配结果也有四种类型：

当我们使用正则表达式时，我们的目标常常不单单是判断或者查找完整匹配的内容。而是需要捕获匹配结果中的子串。例如：我们不仅要匹配出日期，还要捕获日期中的年份，月份等信息。这个时候就要使用分组功能。

我们在介绍正则表达式特殊字符的时候，提到过圆括号(和)。它们的作用就是分组。当你在正则表达式中配对的使用圆括号时，就会形成一个分组，一个正则表达式中可以包含多个分组。分组通过编号0, 1, 2, …来区分。编号0的分组是匹配的整体，其他编号根据括号的顺序来确定。

这些分组最终可以在匹配完成之后，可以通过std::match_results的API来获取。这些API如下表所示：

在C++中，分组叫做子匹配（sub_match）。std::sub_match 这个类型只有一个默认构造函数，通常你不会主动创建它，而是使用std::match_results的接口来获取它的对象。

示例：查找出文本中所有的年代，并分离出世纪的部分和年份的部分。 思路：年代的格式是四位数字加上“s”作为后缀。我们可以通过分组的形式分离出两个部分。图示如下：

代码示例：

这段代码说明如下：

1. 这个正则表达式请注意其中的圆括号
2. 先打印匹配的字符串整体
3. 所有的分组数量，应该是 2 + 1 = 3
4. 打印出世纪的部分
5. 获取编号2的分组，其类型是sub_match

这段代码输出如下：

稍微深入一点的内容

同一个符号的不同含义

前面的表格中，我们看到了正则表达式的特殊字符。但需要进一步说明的是，这些特殊字符在不同的环境可能有着不同的含义。


例如，特殊字符-只有在字符组[...]内部才是元字符，否则它只能匹配普通的连字符符号。并且，即便在字符组内部，如果连字符是在开头，它依然是一个普通字符而不是表示一个范围。


相反的，问号?和点号.不在字符组内部的时候才是特殊字符。因此[?.]中的这两个符号仅仅代表这两个字符自身。


还有，字符^出现在字符组中的时候表示的是否定，例如：[a-z]和[^a-z]表示的是正好相反的字符集。但是当字符^不是用在字符组中的时候，它是一个锚点，具体内容下文会说到。

量词的占有欲

还是以content.txt的内容为基础，现在假设我们的目标是：找出所有双引号中的内容。

根据之前的知识，你可能很轻松就写出了下面这个正则表达式：

• 两边的双引号通过反斜杠转义
• 待捕获的内容通过圆括号形成分组
• 双引号中可以是任意内容，因此使用.+

但是当你运行程序的时候却发现它可能有点问题。它捕获的结果是：

为什么？其实很简单，因为双引号本身也可以与.匹配。上面这个正则表达式的含义是：匹配一个两端是双引号，中间是任意文字的内容。


当然，你马上想到一个改进方法那就是：将正则表达式圆括号中的.+改为[^"]+，它的含义是：一个或多个非双引号字符。这么做是可以的。但其实我们还有更好的做法。


我们再回头看一下原先的正则表达式，不考虑分组和转义，它可以写成：".+"。其实我们知道下面这三个字符串都是与其匹配的：

而将整个文本交给正则表达式的时候，它找出了最长的那个串。可见，原先的正则表达式太过“贪婪”（greedy）。是的，量词在默认情况都是贪婪的。即：它们会尽可能多的占有内容。


那我们能不能控制量词让其尽可能少的占有内容，只要满足匹配要求就可以呢？


答案是肯定的，而且做法很简单：在量词的后面加上一个?。即，将圆括号中.+修改为.+?即可。量词的默认形式称之为“匹配优先量词”，现在这种写法称之为“忽略优先量词”。


现在它找到的是下面两个匹配：

小结一下：

锚点

锚点是一类特殊的标记，它们不会匹配任何文本内容，而是寻找特定的标记。你可以简单理解为它是原先表达式的基础上增加了新的匹配条件。如果条件不满足，则无法完成匹配。

锚点主要分为三种：

下面是代码示例：

它的输出如下：

环视

现在假设我们有下面两个需求：

1. 匹配出所有sometimes中的前四个字符“some”
2. 匹配出所有的单词some，但是要排除掉“some birds”中的“some”

对于第一个问题，我们可以分两步：先找出所有的单词sometimes，然后取前四个字符。对于第二个问题，我们可以先找出所有的单词“some”，然后把后面是“birds”的丢掉。

以上的解法都是分两步完成。但实际上，借助环视（lookaround）我们可以一步就完成任务。

环视是对匹配位置的附加条件，只有条件满足时才能完成匹配。环视有：顺序（向右），逆序（向左），肯定和否定一共四种：

环视说起来有些拗口，但看具体的例子就容易理解了：

这段代码并不复杂所以就不多做说明，它的输出结果如下：

对于包含环视的正则表达式来说，环视之外的内容是匹配的主体，环视本身只是一个附件条件。(?=sometimes)这个肯定顺序环视要求从这个位置开始，接下来的字符串必须是"sometimes"才能完成匹配。(?!some birds)这个否定顺序环视要是接下来的字符串一定不能是"some birds"才能完成匹配。


为了进一步帮助你理解，我们以图示的方式将(?=sometimes)some匹配"something"的过程描述出来。


图示中，虚线的上面是待匹配的文本，下面是正则表达式。对于环视，我们可以将其环视条件和主体分开来看。我们以一个下标三角箭头表示当前匹配的搜索位置。


刚开始的时候，搜索的位置是第一个字符的前面：

接下来，搜索位置往后走一个字符：

这个过程可以一直进行，直到匹配完"some"：

虽然正则表达式的主体"some"完成了匹配，但是接下来环视的条件却无法满足，于是匹配失败：

但是，如果要匹配内容正好是"sometimes"，则条件是满足的，于是就完成了匹配。