正則表達(dá)式Regex(regular expression)是一種強(qiáng)大的描述字符序列的工具。在許多語(yǔ)言中都存在著正則表達(dá)式，C++11中也將正則表達(dá)式納入了新標(biāo)準(zhǔn)的一部分，不僅如此， 它還支持了6種不同的正則表達(dá)式的語(yǔ)法，分別是：ECMASCRIPT、basic、extended、awk、grep和egrep。其中 ECMASCRIPT是默認(rèn)的語(yǔ)法，具體使用哪種語(yǔ)法我們可以在構(gòu)造正則表達(dá)式的時(shí)候指定。

注：ECMAScript是一種由Ecma國(guó)際（前身為歐洲計(jì)算機(jī)制造商協(xié)會(huì),英文名稱是European Computer Manufacturers Association）通過(guò)ECMA-262標(biāo)準(zhǔn)化的腳本程序設(shè)計(jì)語(yǔ)言。它往往被稱為JavaScript，但實(shí)際上后者是ECMA-262標(biāo)準(zhǔn)的實(shí)現(xiàn) 和擴(kuò)展。

下面我們就以本篇博客的頁(yè)面（http://www.cnblogs.com/ittinybird/p/4853532.html）源碼為例，從 零開(kāi)始演示如何在C++中使用正則表達(dá)式提取一個(gè)網(wǎng)頁(yè)源碼中所有可用的http鏈接。如果有時(shí)間的話，近期我想用C++11的新特性，改寫(xiě)一下以前的 C++爬蟲(chóng)程序，分享出來(lái)。

確保你的編譯器支持Regex

如果你的編譯器是GCC-4.9.0或者VS2013以下版本，請(qǐng)升級(jí)后，再使用。我之前使用的C++編譯器，是GCC 4.8.3，有regex頭文件，但是GCC很不厚道的沒(méi)有實(shí)現(xiàn)，語(yǔ)法完全支持，但是庫(kù)還沒(méi)跟上，所以編譯的時(shí)候是沒(méi)有問(wèn)題的，但是一運(yùn)行就會(huì)直接拋出異常，非常完美的一個(gè)坑有木有！具體錯(cuò)誤如下：

terminate called after throwing an instance of 'std::regex_error'
  what():  regex_error
Aborted (core dumped)

如果你也遇到了這個(gè)問(wèn)題，請(qǐng)不要先懷疑自己，GCC這一點(diǎn)是非常坑爹的?。?！我在這個(gè)上面浪費(fèi)了半天的時(shí)間才找了出來(lái)。所以在嘗鮮C++的正則表達(dá)式之前，請(qǐng)升級(jí)你的編譯器，確保你的編譯器支持它。

regex庫(kù)概覽

在頭文件<regex>中包含了多個(gè)我們使用正則表達(dá)式時(shí)需要用到的組件，大致有：

ECMASCRIPT正則表達(dá)式語(yǔ)法

正則表達(dá)式式的語(yǔ)法基本大同小異，在這里就浪費(fèi)篇幅細(xì)摳了。ECMASCRIPT正則表達(dá)式的語(yǔ)法知識(shí)可以參考W3CSCHOOL。

構(gòu)造正則表達(dá)式

構(gòu)造正則表達(dá)式用到一個(gè)類：basic_regex。basic_regex是一個(gè)正則表達(dá)式的通用類模板，對(duì)char和wchar_t類型都有對(duì)應(yīng)的特化：

typedef basic_regex<char>    regex;
typedef basic_regex<wchar_t> wregex;

構(gòu)造函數(shù)比較多，但是非常簡(jiǎn)單：

//默認(rèn)構(gòu)造函數(shù)，將匹配任何的字符序列
basic_regex();
//用一個(gè)以‘\0’結(jié)束的字符串s構(gòu)造一個(gè)正則表達(dá)式
explicit basic_regex( const CharT* s,flag_type f =std::regex_constants::ECMAScript );
//同上，但是制定了用于構(gòu)造的字符串s的長(zhǎng)度為count
basic_regex( const CharT* s, std::size_t count,flag_type f = std::regex_constants::ECMAScript );
//拷貝構(gòu)造，不贅述
basic_regex( const basic_regex& other );
 //移動(dòng)構(gòu)造函數(shù)
basic_regex( basic_regex&& other );
//以basic_string類型的str構(gòu)造正則表達(dá)式
template< class ST, class SA >
explicit basic_regex( const std::basic_string<CharT,ST,SA>& str, flag_type f = std::regex_constants::ECMAScript );
//指定范圍[first,last)內(nèi)的字符串構(gòu)造正則表達(dá)式
template< class ForwardIt >
basic_regex( ForwardIt first, ForwardIt last, flag_type f = std::regex_constants::ECMAScript );
//使用initializer_list構(gòu)造
basic_regex( std::initializer_list<CharT> init, flag_type f = std::regex_constants::ECMAScript );

以上除默認(rèn)構(gòu)造之外的構(gòu)造函數(shù)，都有一個(gè)flag_type類型的參數(shù)用于指定正則表達(dá)式的語(yǔ)法，ECMASCRIPT、basic、 extended、awk、grep和egrep均是可選的值。除此之外還有其他幾種可能的的標(biāo)志，用于改變正則表達(dá)式匹配時(shí)的規(guī)則和行為：

有了構(gòu)造函數(shù)之后，現(xiàn)在我們就可以先構(gòu)造出一個(gè)提取http鏈接的正則表達(dá)式：

std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?");    //匹配規(guī)則很簡(jiǎn)單，如果有疑惑，可以對(duì)照語(yǔ)法查看
std::regex r(pattern);

值得一提的是在C++中’\'這個(gè)字符需要轉(zhuǎn)義，因此所有ECMASCRIPT正則表達(dá)式語(yǔ)法中的’\'都需要寫(xiě)成“\\”的形式。我測(cè)試的時(shí)候，這段regex如果沒(méi)有加轉(zhuǎn)義，在gcc中會(huì)給出警告提示，vs2013編譯后后運(yùn)行直接崩潰了。

正確地處理輸入

先扯一個(gè)題外話，假設(shè)我們不是使用了網(wǎng)絡(luò)庫(kù)自動(dòng)在程序中下載的網(wǎng)頁(yè)，在我們手動(dòng)下載了網(wǎng)頁(yè)并保存到文件后，首先我們要做的還是先把網(wǎng)頁(yè)的內(nèi)容(html源碼)存入一個(gè)std::string中，我們可能會(huì)使用這樣的錯(cuò)誤方式：

int main()
{
    std::string tmp,html;
    while(std::cin >> tmp)
        html += tmp;
}

這樣一來(lái)源代碼中所有的空白字符就無(wú)意中被我們?nèi)幚砹?，這顯然不合適。這里我們還是使用getline()這個(gè)函數(shù)來(lái)處理：

int main()
{
    std::string tmp,html;
    while(getline(std::cin,tmp))
    {
        html += tmp;
        html += '\n';
    }
}

這樣一來(lái)原來(lái)的文本才能得到正確的輸入。當(dāng)然個(gè)人以為這些小細(xì)節(jié)還是值得注意的，到時(shí)候出錯(cuò)debug的時(shí)候，我想我們更多地懷疑的是自己的正則表達(dá)式是否是有效。

regex_search()只查找到第一個(gè)匹配的子序列

根據(jù)函數(shù)的字面語(yǔ)義，我們可能會(huì)錯(cuò)誤的選擇regex_search()這個(gè)函數(shù)來(lái)進(jìn)行匹配。其函數(shù)原型也有6個(gè)重載的版本，用法也是大同小異，函數(shù)返回值是bool值，成功返回true，失敗返回false。鑒于篇幅，我們只看我們下面要使用的這個(gè)：

template< class STraits, class SAlloc,class Alloc, class CharT, class Traits >
bool regex_search( const std::basic_string<CharT,STraits,SAlloc>& s,
                   std::match_results<typename std::basic_string<CharT,STraits,SAlloc>::const_iterator, Alloc>& m,
                   const std::basic_regex<CharT, Traits>& e,
                   std::regex_constants::match_flag_type flags = std::regex_constants::match_default );

第一個(gè)參數(shù)s是std::basic_string類型的，它是我們待匹配的字符序列，參數(shù)m是一個(gè)match_results的容器用于存放匹配 到的結(jié)果，參數(shù)e則是用來(lái)存放我們之前構(gòu)造的正則表達(dá)式對(duì)象。flags參數(shù)值得一提，它的類型是 std::regex_constants::match_flag_type，語(yǔ)義上匹配標(biāo)志的意思。正如在構(gòu)造正則表達(dá)式對(duì)象時(shí)我們可以指定選項(xiàng)如何 處理正則表達(dá)式一樣，在匹配的過(guò)程中我們依然可以指定另外的標(biāo)志來(lái)控制匹配的規(guī)則。這些標(biāo)志的具體含義，我從cppreference.com 引用過(guò)來(lái)，用的時(shí)候查一下就可以了：

根據(jù)參數(shù)類型，于是我們構(gòu)造了這樣的調(diào)用：

std::smatch results;<br>regex_search(html,results,r);

不過(guò)，標(biāo)準(zhǔn)庫(kù)規(guī)定regex_search()在查找到第一個(gè)匹配的子串后，就會(huì)停止查找！在本程序中，results參數(shù)只帶回了第一個(gè)滿足條件的http鏈接。這顯然并不能滿足我們要提取網(wǎng)頁(yè)中所有HTTP鏈接需要。

使用regex_iterator匹配所有子串

嚴(yán)格意義上regex_iterator是一種迭代器適配器，它用來(lái)綁定要匹配的字符序列和regex對(duì)象。regex_iterator的默認(rèn)構(gòu)造函數(shù)比較特殊，就直接構(gòu)造了一個(gè)尾后迭代器。另外一個(gè)構(gòu)造函數(shù)原型：

regex_iterator(BidirIt a, BidirIt b,                                                           //分別是待匹配字符序列的首迭代器和尾后迭代器
               const regex_type& re,                                                           //regex對(duì)象
               std::regex_constants::match_flag_type m = std::regex_constants::match_default); //標(biāo)志，同上面的regex_search()中的

和上邊的regex_search()一樣，regex_iterator的構(gòu)造函數(shù)中也有 std::regex_constants::match_flag_type類型的參數(shù)，用法一樣。其實(shí)regex_iterator的內(nèi)部實(shí)現(xiàn)就是調(diào) 用了regex_search()，這個(gè)參數(shù)是用來(lái)傳遞給regex_search()的。用gif或許可以演示的比較形象一點(diǎn)，具體是這樣工作的（顏色 加深部分，表示可以匹配的子序列）：

首先在構(gòu)造regex_iterator的時(shí)候，構(gòu)造函數(shù)中首先就調(diào)用一次regex_search()將迭代器it指向了第一個(gè)匹配的子序列。以 后的每一次迭代的過(guò)程中（++it），都會(huì)在以后剩下的子序列中繼續(xù)調(diào)用regex_search()，直到迭代器走到最后。it就一直“指向”了匹配的 子序列。

知道了原理，我們寫(xiě)起來(lái)代碼就輕松多了。結(jié)合前面的部分我們，這個(gè)程序就基本寫(xiě)好了：

#include <iostream>
#include <regex>
#include <string>

int main()
{
    std::string tmp,html;
    while(getline(std::cin,tmp))
    {
        tmp += '\n';
        html += tmp;
    }
    std::string pattern("http(s)?://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?”);
    pattern = “[[:alpha:]]*” + pattern + “[[:alpha:]]*”;
    std::regex r(pattern);
    for (std::sregex_iterator it(html.begin(), html.end(), r), end;     //end是尾后迭代器，regex_iterator是regex_iterator的string類型的版本
        it != end;
        ++it)
    {
        std::cout << it->str() << std::endl;
    }
}

下載本頁(yè)的html源碼保存為test.html，編譯這個(gè)源碼測(cè)試一下，大功告成：

[regex]g++ regex.cpp  -std=c++11 -omain
[regex]main < test.html

http://www.cnblogs.com/ittinybird/rss

http://www.cnblogs.com/ittinybird/rsd.xml

http://www.cnblogs.com/ittinybird/wlwmanifest.xml

http://common.cnblogs.com/script/jquery.js

http://files.cnblogs.com/files/ittinybird/mystyle.css

http://www.cnblogs.com/ittinybird/

http://www.cnblogs.com/ittinybird/

http://www.cnblogs.com/ittinybird/

http://i.cnblogs.com/EditPosts.aspx?opt=1

http://msg.cnblogs.com/send/%E6%88%91%E6%98%AF%E4%B8%80%E5%8F%AAC%2B%2B%E5%B0%8F%E5%B0%8F%E9%B8%9F

http://www.cnblogs.com/ittinybird/rss

http://www.cnblogs.com/ittinybird/rss

http://www.cnblogs.com/images/xml.gif

http://i.cnblogs.com/

http://www.cnblogs.com/ittinybird/p/4853532.html

http://www.cnblogs.com/ittinybird/p/4853532.html

http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp

http://www.cnblogs.com/ittinybird/

http://i.cnblogs.com/EditPosts.aspx?postid=4853532

http://www.cnblogs.com/

http://q.cnblogs.com/

http://news.cnblogs.com/

http://home.cnblogs.com/ing/

http://job.cnblogs.com/

http://kb.cnblogs.com/

regex和異常處理

如果我們的正則表達(dá)式存在錯(cuò)誤，則在運(yùn)行的時(shí)候標(biāo)準(zhǔn)庫(kù)會(huì)拋出一個(gè)regex_error異常，他有一個(gè)名為code的成員，用于標(biāo)記錯(cuò)誤的類型，具體錯(cuò)誤值和語(yǔ)義如下表所示：

有關(guān)異常處理的基本內(nèi)容，不是本篇要討論的內(nèi)容，就不贅述了。

小結(jié)

C++11標(biāo)準(zhǔn)庫(kù)中的正則表達(dá)式部分還有部分內(nèi)容本文沒(méi)有涉及，個(gè)人以為掌握了以上的內(nèi)容后，基本上看一看接口就知道怎么使用了，這里就不浪費(fèi)篇幅了。

謝謝你的閱讀，錯(cuò)誤之處還請(qǐng)您指正，我將萬(wàn)分感謝。