正则表达式可以说是软件开发中最常用的功能之一。本文将以C 语言为例，介绍其中的正则表达式相关知识。

前言

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。

正则表达式非常的常用，但真正精通它的人却不多。本文试图给大家讲解一些对于C 语言使用正则表达式的基础知识。

代码示例

本文中所贴出的代码示例可以到我的Github上获取：paulQuei/cpp-regex^[1]。

或者，你也可以直接通过下面这条命令获取所有源码：

git clone https://github.com/paulQuei/cpp-regex.git

C 中正则表达式的API基本上都位于头文件中。

为了简化书写，本文中给出的代码都已经默认做了以下操作：

#include 
#include 

using namespace std;


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：\d{4}-\d{2}-\d{2}。（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：

string s1 = "ab123cdef"; // ①
string s2 = "123456789"; // ②

regex ex("\\d "); // ③

cout << s1 << " is all digit: " << regex_match(s1, ex) << endl; // ④
cout << s2 << " is all digit: " << regex_match(s2, ex) << endl; // ⑤
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
4. 通过regex_match判断第一个字符串是否匹配，这里将返回false
5. 通过regex_match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：

ab123cdef is all digit: 0
123456789 is all digit: 1


请注意，正则表达式有它自身的语法。这与C 的语法是两回事。C 编译器只会检查C 代码的语法。因此，即便你的代码通过了C 编译器的语法检查，但在运行的时候，由于正则表达式的语义，还可能出现正则表达式的错误。正则表达式的错看起来类似这样：terminating with uncaught exception of type std::__1::regex_error: The expression contained an invalid escaped character, or a trailing escape.。

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：

string s = "ab123cdef"; // ①
regex ex("\\d ");    // ②

smatch match; // ③
regex_search(s, match, ex); // ④

cout << s << " contains digit: " << match[0] << endl; // ⑤


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std::smatch来保存匹配的结果。除了std::smatch，还有std::cmatch也很常用。前者是以std::string的形式返回结果，后者是以const char*的形式返回结果。
4. 通过regex_search函数搜索结果
5. 打印出匹配的结果

这段代码输出如下：

ab123cdef contains digit: 123


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Sublime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：

string s = "ab123cdef"; // ①
regex ex("\\d ");    // ②

string r = regex_replace(s, ex, "xxx"); // ③

cout << r << endl; // ④


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regex_replace完成替换
4. 通过cout输出结果

最终输出的字符串如下：

abxxxcdef
通过上面的三个示例我们看到，regex_match，regex_search和regex_replace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。

它们如下表所示：

文法	说明
ECMAScript	ECMAScript正则表达式语法[2]，默认选项
basic	基础POSIX正则表达式语法[3]
extended	扩展POSIX正则表达式语法[4]
awk	awk工具的正则表达式语法[5]
grep	grep工具的正则表达式语法[6]
egrep	grep工具的正则表达式语法[7]

不同的文法在表达上有一些不同，如果你原先已经很熟悉awk或者egrep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（Javascript的正则表达式也是使用ECMAScript文法）。

grep的全称是Global Regular Expression Print。这个名字是在提示我们，它本身与正则表达式的历史有着特定的联系。

C 中的 ECMAScript 正则表达式文法是 ECMA-262 文法^[8]，你可以点击链接查看详细内容。

下文中，我们仅会讲解该标准下的正则表达式。

Raw string literal

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Raw string literal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：

R"delimiter(raw_characters)delimiter"
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，R"(content)"中的content是你需要的字符串本身。

下面是一个代码示例：

string s = R"("\w\\w\\\w)";cout << s << endl;
它将输出：

"\w\\w\\\w
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。

字符	说明
.	匹配任意字符
[	字符类的开始
]	字符类的结束
{	量词重复数开始
}	量词重复数结束
(	分组开始
)	分组结束
\	转义字符
\	转义字符自身
*	量词，0个或者多个
	量词，1个或者多个
?	量词，0个或者1个
|	或
^	行开始；否定
$	行结束
\n	换行
\t	Tab符
\xhh	hh表示两位十六进展表示的Unicode字符
\xhhhh	hhhh表示四位十六进制表示的Unicode字符串

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：

字符类	简写	说明
[[:alnum:]]		字母和数字
[_[:alnum:]]	\w	字母，数字以及下划线
[^_[:alnum:]]	\W	非字母，数字以及下划线
[[:digit:]]	\d	数字
[^[:digit:]]	\D	非数字
[[:space:]]	\s	空白字符
[^[:space:]]	\S	非空白字符
[[:lower:]]		小写字母
[[:upper:]]		大写字母
[[:alpha:]]		任意字母
[[:blank:]]		非换行符的空白字符
[[:cntrl:]]		控制字符
[[:graph:]]		图形字符
[[:print:]]		可打印字符
[[:punct:]]		标点字符
[[:xdigit:]]		十六进制的数字字符

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[:xxx:]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：

#include 
#include 

using namespace std;

static void search_string(const string