Linux C++中如何使用正則表達式處理文本

在 Linux 環境下使用 C++ 處理文本時，可以利用 C++11 引入的 <regex> 庫來操作正則表達式。以下是一個詳細的指南，包括如何編譯正則表達式、執行匹配、查找替換以及處理多行文本等操作。

1. 引入頭文件

首先，需要在代碼中包含 <regex> 頭文件：

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

2. 基本匹配

示例代碼：檢查字符串是否匹配某個模式

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

int main() {
    std::string text = "Hello, my email is example@example.com.";
    std::regex pattern(R"(\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b)");

    if (std::regex_match(text, pattern)) {
        std::cout << "文本匹配正則表達式模式。" << std::endl;
    } else {
        std::cout << "文本不匹配正則表達式模式。" << std::endl;
    }

    return 0;
}

解釋

• R"(...)" 是原始字符串字面量，可以避免轉義字符的問題。
• \b 表示單詞邊界，[A-Za-z0-9._%+-]+ 匹配用戶名部分，@ 是郵箱中的 @ 符號，后面的部分匹配域名。

3. 查找所有匹配項

示例代碼：提取所有郵箱地址

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

int main() {
    std::string text = "聯系我通過 email1@example.com 或者 email2@example.org。";
    std::regex pattern(R"(\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b)");
    std::sregex_iterator begin(text.begin(), text.end(), pattern);
    std::sregex_iterator end;

    std::vector<std::string> emails;
    for (std::sregex_iterator i = begin; i != end; ++i) {
        std::smatch match = *i;
        emails.push_back(match.str());
    }

    std::cout << "找到的郵箱地址有：" << std::endl;
    for (const auto& email : emails) {
        std::cout << email << std::endl;
    }

    return 0;
}

解釋

• 使用 std::sregex_iterator 遍歷所有匹配項。
• 將每個匹配的郵箱地址存儲到 std::vector<std::string> 中。

4. 替換文本

示例代碼：將所有郵箱地址替換為 ***

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

int main() {
    std::string text = "聯系我通過 email1@example.com 或者 email2@example.org。";
    std::regex pattern(R"(\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b)");
    std::string replacement = "***";

    std::string result = std::regex_replace(text, pattern, replacement);

    std::cout << "替換后的文本：" << std::endl;
    std::cout << result << std::endl;

    return 0;
}

解釋

• 使用 std::regex_replace 函數將匹配到的郵箱地址替換為 ***。

5. 處理多行文本

默認情況下，std::regex 是單行模式，. 不匹配換行符。如果需要匹配多行，可以使用相應的修飾符。

示例代碼：匹配跨越多行的模式

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

int main() {
    std::string text = "這是第一行\n這是第二行，包含關鍵詞。";
    // 使用 s 修飾符表示單行模式，讓 . 匹配換行符
    std::regex pattern(R"(這是.*關鍵詞。)", std::regex_constants::dotmatchesall);
    
    if (std::regex_search(text, pattern)) {
        std::cout << "找到匹配的多行文本。" << std::endl;
    } else {
        std::cout << "未找到匹配的多行文本。" << std::endl;
    }

    return 0;
}

解釋

• 使用 std::regex_constants::dotmatchesall 修飾符，使 . 能夠匹配包括換行符在內的所有字符。

6. 常用正則表達式元字符和語法

• . ：匹配任意單個字符（除了換行符，除非使用 s 修飾符）。
• ^ ：匹配字符串的開始。
• $ ：匹配字符串的結束。
• * ：匹配前面的元素零次或多次。
• + ：匹配前面的元素一次或多次。
• ? ：匹配前面的元素零次或一次。
• [] ：定義一個字符集，如 [A-Za-z] 匹配任意字母。
• | ：邏輯“或”，如 a|b 匹配 a 或 b。
• () ：分組，用于捕獲匹配的內容。

7. 編譯正則表達式的性能考慮

對于復雜的正則表達式或在高性能需求的場景下，預編譯正則表達式可以提高效率?？梢詫?std::regex 對象定義為全局變量或靜態變量，避免在函數內多次創建。

示例代碼：預編譯正則表達式

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

// 預編譯正則表達式
std::regex email_regex(R"(\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b)");

void process_emails(const std::string& text) {
    auto begin = std::sregex_iterator(text.begin(), text.end(), email_regex);
    auto end = std::sregex_iterator();

    for (std::sregex_iterator i = begin; i != end; ++i) {
        std::smatch match = *i;
        std::cout << "找到郵箱: " << match.str() << std::endl;
    }
}

int main() {
    std::string text = "聯系我通過 email1@example.com 或者 email2@example.org。";
    process_emails(text);
    return 0;
}

解釋

• 在全局范圍內定義 std::regex 對象 email_regex，避免在每次調用 process_emails 時重新編譯正則表達式。

8. 錯誤處理

在使用正則表達式時，可能會遇到無效的正則表達式模式，導致編譯失敗?？梢允褂?std::regex_error 來捕獲和處理這些錯誤。

示例代碼：異常處理

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

int main() {
    std::string pattern_str = R"([a-z"; // 缺少右括號，導致無效的正則表達式
    try {
        std::regex pattern(pattern_str);
    } catch (const std::regex_error& e) {
        std::cerr << "正則表達式錯誤: " << e.what() << std::endl;
        std::cerr << "錯誤信息: " << e.what() << std::endl;
        std::cerr << "錯誤位置: " << e.prim_index() << std::endl;
    }

    return 0;
}

解釋

• 當正則表達式無效時，std::regex 構造函數會拋出 std::regex_error 異常。
• 使用 try-catch 塊捕獲并處理異常，輸出錯誤信息及出錯位置。

總結

C++ 的 <regex> 庫提供了強大的正則表達式功能，適用于文本處理、數據驗證、解析等多種場景。通過合理使用正則表達式的各種特性和優化技巧，可以高效地完成復雜的文本操作任務。在實際應用中，建議對正則表達式進行充分的測試，以確保其正確性和性能。