|
GRETA正则表达式模板类库
编译：胡金山
下载源代码
本文摘要翻译了几篇文章的内容，简单介绍
ATL CAtlRegExp，GRETA，Boost::regex
等正则表达式库，这些表达式库使我们可以方便地利用正则库的巨大威力，给我们的工作提供了便利。
 正则表达式语法
| 字符元 |
意义 |
| . |
匹配单个字符 |
| [ ] |
指定一个字符类，匹配方括号内的任意字符。例：[abc] 匹配 "a", "b"或 "c"。 |
| ^ |
如果^出现在字符类的开始处，它否定了字符类，这个被否定的字符类匹配除却方括号内的字符的字符。如：[^abc]匹配除了"a",
"b"和"c"之外的字符。如果^出现在正则表达式前边，它匹配输入的开头，例：^[abc]匹配以"a",
"b"或"c"开头的输入。 |
| - |
在字符类中，指定一个字符的范围。例如：[0-9]匹配"0"到"9"的数字。 |
| ? |
指明?前的表达式是可选的，它可以匹配一次或不进行匹配。例如： [0-9][0-9]?
匹配"2"或"12"。 |
| + |
指明?前的表达式匹配一次或多次。例如：[0-9]+匹配"1", "13", "666"等。 |
|
* |
指明*前的表达式匹配零次或多次。 |
| ??, +?, *? |
?, +和*的非贪婪匹配版本，它们尽可能匹配较少的字符；而?,
+和*则是贪婪版本，尽可能匹配较多的字符。例如：输入"<abc><def>", 则<.*?>
匹配"<abc>"，而<.*>匹配"<abc><def>"。 |
| ( ) |
分组操作符。例如：(\d+,)*\d+匹配一串由逗号分开的数字，例如：
"1"或"1,23,456"。 |
| \ |
转义字符，转义紧跟的字符。例如，[0-9]+ 匹配一个或多个数字，而 [0-9]\+
匹配一个数字后跟随一个加号的情况。反斜杠\也用于表示缩写，\a
就表示任何数字、字母。如果\后紧跟一个数字n，则它匹配第n个匹配群组(从0开始)，例如，<{.*?}>.*?</\0>匹配"<head>Contents</head>"。注意，在C++字符串中，反斜杠\需要用双反斜杠\\来表示：
"\\+", "\\a", "<{.*?}>.*?</\\0>"。 |
| $ |
放在正则表达式的最后，它匹配输入的末端。例如：[0-9]$匹配输入的最后一个数字。 |
| | |
间隔符，分隔两个表达式，以正确匹配其中一个，例如：T|the匹配"The"
或"the"。 |
缩写匹配
| 缩写 |
匹配 |
| \a |
字母、数字([a-zA-Z0-9]) |
| \b |
空格(blank): ([ \\t]) |
| \c |
字母([a-zA-Z]) |
| \d |
十进制数 ([0-9]) |
| \h |
十六进制数([0-9a-fA-F]) |
| \n |
换行: (\r|(\r?\n)) |
| \q |
引用字符串(\"[^\"]*\")|(\''''[^\'''']*\'''') |
| \w |
一段文字 ([a-zA-Z]+) |
| \z |
一个整数([0-9]+) |
ATL CATLRegExp
ATL
Server常常需要对地址、命令等复杂文字字段信息解码，而正则表达式是强大的文字解析工具，所以，ATL提供了正则表达式解释工具。
示例：
#include "stdafx.h"
#include <atlrx.h>
int main(int argc, char* argv[])
{
CAtlRegExp<> reUrl;
// five match groups: scheme, authority, path, query, fragment
REParseError status = reUrl.Parse(
"({[^:/?#]+}:)?(//{[^/?#]*})?{[^?#]*}(?{[^#]*})?(#{.*})?" );
if (REPARSE_ERROR_OK != status)
{
// Unexpected error.
return 0;
}
CAtlREMatchContext<> mcUrl;
if (!reUrl.Match(
"http://search.microsoft.com/us/Search.asp?qu=atl&boolean=ALL#results",
&mcUrl))
{
// Unexpected error.
return 0;
}
for (UINT nGroupIndex = 0; nGroupIndex < mcUrl.m_uNumGroups;
++nGroupIndex)
{
const CAtlREMatchContext<>::RECHAR* szStart = 0;
const CAtlREMatchContext<>::RECHAR* szEnd = 0;
mcUrl.GetMatch(nGroupIndex, &szStart, &szEnd);
ptrdiff_t nLength = szEnd - szStart;
printf("%d: \"%.*s\"\n", nGroupIndex, nLength, szStart);
}
} 输出：0: "http"
1: "search.microsoft.com"
2: "/us/Search.asp"
3: "qu=atl&boolean=ALL"
4: "results"
Match的结果通过第二个参数pContext所指向的CAtlREMatchContext类来返回，Match的结果及其相关信息都被存放在CAtlREMatchContext类中，只要访问CAtlREMatchContext的方法和成员就可以得到匹配的结果。CAtlREMatchContext通过m_uNumGroups成员以及GetMatch（）方法向调用者提供匹配的结果信息。m_uNumGroups代表匹配上的Group有多少组，GetMatch()则根据传递给它的Group的Index值，返回匹配上的字符串的pStart和pEnd指针，调用者有了这两个指针，自然可以很方便的得到匹配结果。
更多内容请参阅:
CAtlRegExp Class
GRETA
GRETA是微软研究院推出的一个正则表达式模板类库，GRETA 包含的 C++ 对象和函数，使字符串的模式匹配和替换变得很容易，它们是:
" rpattern: 搜索的模式
" match_results/subst_results: 放置匹配、替换结果的容器
为了执行搜索和替换的操作，用户首先需要用一个描述匹配规则的字符串来显式初始化一个rpattern对象，然后把需要匹配的字符串作为参数，调用rpattern的函数，比如match()或者substitute()，就可以得到匹配后的结果。如果match()/substitute()调用失败，函数返回false，如果调用成功，函数返回true，此时，match_results对象存储了匹配结果。请看例子代码： #include <iostream>
#include <string>
#include "regexpr2.h"
using namespace std;
using namespace regex;
int main() {
match_results results;
string str( "The book cost $12.34" );
rpattern pat( "\\$(\\d+)(\\.(\\d\\d))?" );
// Match a dollar sign followed by one or more digits,
// optionally followed by a period and two more digits.
// The double-escapes are necessary to satisfy the compiler.
match_results::backref_type br = pat.match( str, results );
if( br.matched ) {
cout << "match success!" << endl;
cout << "price: " << br << endl;
} else {
cout << "match failed!" << endl;
}
return 0;
} 程序输出将是:match success!
price: $12.34
您可以阅读GRETA文档，获知rpattern对象的细节内容，并掌握如何自定义搜索策略来得到更好的效率。
注意：所有在头文件regexpr2.h里的声明都在名称空间regex之中，用户使用其中的对象和函数时，必须加上前缀"regex::"，或者预先"using
namespace regex;" 一下，为了简单起见，下文的示例代码中将省略"regex::" 前缀。
作者生成了greta.lib和regexpr2.h文件，只需这两个文件的支持即可使用greta来解析正则表达式。
匹配速度小议
不同的正则表达式匹配引擎擅长于不同匹配模式。作为一个基准，当用模式："^([0-9]+)(\-|
|$)(.*)$" 匹配字符串"100- this is a line of ftp response which contains a
message
string"时，GRETA的匹配速度比boost(http://www.boost.org)正则表达式库大约快7倍，比ATL7的CATLRegExp快10倍之多!
Boost Regex 的说明文档带有一个很多模式的匹配测试Performance结果。比较这个结果后，我发现GRETA在大部分情况下和Boost
Regex性能差不多，但是在用Visual Studio.Net 2003编译的情况下，GRETA还略胜一筹。
Boost.Regex
Boost提供了boost::basic_regex来支持正则表达式。boost::basic_regex的设计非常类似std::basic_string：
namespace boost{
template <class charT,
class traits = regex_traits<charT>,
class Allocator = std::allocator<charT> > class basic_regex;
typedef basic_regex<char> regex;
typedef basic_regex<wchar_t> wregex;
} Boost Regex 库附带的文档非常丰富，示例更是精彩，比如有两个例子程序，不多的代码，程序就可以直接对 C++
文件进行语法高亮标记，生成相应的 HTML (converts a C++ file to syntax highlighted
HTML)。下面的例子可以分割一个字符串到一串标记符号(split a string into tokens)。 #include <list>
#include <boost/regex.hpp>
unsigned tokenise(std::list<std::string>& l, std::string& s)
{
return boost::regex_split(std::back_inserter(l), s);
}
#include <iostream>
using namespace std;
#if defined(BOOST_MSVC) || (defined(__BORLANDC__) && (__BORLANDC__ == 0x550))
// problem with std::getline under MSVC6sp3
istream& getline(istream& is, std::string& s)
{
s.erase();
char c = is.get();
while(c != ''''\n'''')
{
s.append(1, c);
c = is.get();
}
return is;
}
#endif
int main(int argc)
{
string s;
list<string> l;
do{
if(argc == 1)
{
cout << "Enter text to split (or \"quit\" to exit): ";
getline(cin, s);
if(s == "quit") break;
}
else
s = "This is a string of tokens";
unsigned result = tokenise(l, s);
cout << result << " tokens found" << endl;
cout << "The remaining text is: \"" << s << "\"" << endl;
while(l.size())
{
s = *(l.begin());
l.pop_front();
cout << s << endl;
}
}while(argc == 1);
return 0;
}
|