DinS Written on 2017/6/3
资料来源：[美]Ben Forta：《正则表达式必知必会》，人民邮电出版社2007年版.
正则表达式这部分内容基本上就是阅读这本书的笔记，涵盖了大部分语法，以供需要时查阅。
正则表达式（regular expression）是强大的文本匹配工具，可以解决几乎所有这类问题。其自身有一套独特的语法，所有编程语言和平台都支持，只不过语法形式上略有出入。正则表达式使用模式(pattern)来确定匹配内容，我们需要做的就是设计一套模式，用这个模式来匹配即可。
正则表达式虽然强大，不过颇为消耗资源，能使用简单的string搜索操作解决的问题就不需要用正则表达式，另外也尽量避免在循环内建立模式。
准备工作：标准库<regex>使用方法
正则表达式主要是自身的语法问题，我们先来看看如何在c++里使用正则表达式库，之后把精力放到语法上去。
#include<regex>包含头文件，就可以使用了。主要用法如下：
该函数的作用是给定原始文本和模式，输出第一个匹配的子串。
regex对象即正则表达式的模式，然后专门有一个smatch用于储存结果。
如果要匹配所有字串，需要用到正则表达式迭代器。看起来略复杂，不过是固定套路，这么写就行。如果深入的话，从语义上将讲即在for循环里定义了一个开始和结束的迭代器，然后迭代器依次访问所有字串。
正则表达式还可以承担替换工作，如上写法即可。
之后在本专题里都将使用这三个函数处理代码层面的问题。
第一节：正则表达式与纯文本匹配
下面开始正式进入正则表达式的语法。
//case1: find cat
string strText1 = “The cat scattered the milk.”; //原始文本
regex r1(“cat”); //建立模式
RegexExamplePrintFirstHit(strText1, r1);
RegexExamplePrintAll(strText1, r1);
语义功能：找出子串cat
结果：第一个函数输出cat，第二个函数输出cat cat
分析：使用正则表达式匹配纯文本是一种浪费，不过确实能够干这个事。利用这个熟悉C++下的正则表达式语法。
第二个输出有问题，把scattered里的cat也给找出来了。后面将学习如何处理这种情况
第二节：匹配任意单个字符
正则表达式真正的威力在于特殊字符集，这是一套预先定义的具有不同功能的字符。
首先学习字符‘.’，它可以用来匹配任意单个字符。如果想要匹配‘.’而不是使用其特殊功能，需要使用转义字符\。这对其它特殊字符也一样。当然如果需要匹配\就需要使用\\。
注意：因为\在C++中本身也是一个特殊字符，所以必须使用\\来表达\的含义
//case2: sales sheet
string strText2 = “na.xls\r\nTom.xls\r\nsa.xls\r\nBob.xls”;
regex r2(“.a\\.xls”);
RegexExamplePrintAll(strText2, r2);
语义功能：找出特定名字的xls文件
结果：na.xls sa.xls
分析：第一个.匹配任意字符，第二个匹配.本身。\r\n是windows的换行标志
第三节：匹配一组字符
使用[]匹配一组字符集，将希望匹配的字符放入[]即可
//case 3-1: find directions
string strText3_1 = “Tom went to North Club from south islands. He chose to run forth to his destination.”;
regex r3_1(“[Nsf]o[ru]th”);
RegexExamplePrintAll(strText3_1, r3_1);
语义功能：找出带方向的词
结果：North south forth
分析：第一个[]匹配首字符，第二个[]匹配第三个字符
因为匹配时经常会用到区间，所以可以使用‘-’来表示区间内的所有字符。
比如[0-9]表示所有数字，[A-Z]表示所有大写字母，[a-f]表示abcdef
‘-’只在[]里有意义，在区间外就表示该字符本身，不需要转义
更复杂的例子：[A-Za-z0-9]表示所有字母和数字，[0-9A-Fa-f]经常用于匹配颜色，比如#FF00ff（品红色）
还可以对[]取非，使用[^……]
//case 3-2: hit treasure in number jungle
string strText3_2 = “1827 109837 192878 H 277 2109 377673 I 20973 1773 T 2098 3878 2093”;
regex r3_2_1(“[^0-9]”);
regex r3_2_2(“[A-Za-z]”);
RegexExamplePrintAll(strText3_2, r3_2_1);
RegexExamplePrintAll(strText3_2, r3_2_2);
语义功能：在一堆数字中找字母
结果：第一个除了HIT外还有一堆空格，第二个输出HIT
分析：使用了两种pattern，[^0-9]的用意是找出非数字字符，虽然找到了HIT但是混进了其他字符
[A-Za-z]的用意是找出字母，成功完成了任务。
这个例子告诉我们一个重要道理：验证某个pattern能不能匹配到我们想要的东西很容易，但是如何验证其不会匹配到我们不想要的东西可就不简单了。
我们在设计第一个pattern时肯定没有想到会把空格带进来
第四节：元字符
元字符是正则表达式定义的特殊字符，通常前面有一个\
匹配非打印字符的元字符：
[\b] 回退字符（backspace）
\f 换页符
\n 换行符
\r 回车符
\t 制表符（tab）
\v 垂直制表符
比如说可以使用\r\n\r\n来寻找空行，因为连续两个行末必然意味着空行。对于unix\linux只需要\n\n即可
使用字符类简化pattern
\d 任何一个数字字符，等价于[0-9]
\D 任何一个非数字字符，等价于[^0-9]
\w 任何一个数字、字母（大小写均可）、下划线，等价于[a-zA-Z0-9_]。常见于各种名字里
\W 任何一个非\w
\s 任何一个空白字符，等价于[\f\n\r\t\v]。注意：并不包括退格键
\S 任何一个非\s
POSIX字符：也是一种简写形式。注意两个[]
元字符(Metacharacter) 匹配(Matches)
[[:alnum:]] 字母和数字
[[:alpha:]] 字母
[[:blank:]] 空格和制表符
[[:cntrl:]] 控制字符
[[:digit:]] 数字
[[:graph:]] 非空白字符
[[:lower:]] 小写字母
[[:print:]] 类似[[:graph:]]，但是包含空白字符
[[:punct:]] 标点符号
[[:space:]] 空白字符
[[:upper:]] 大写字母
[[:xdigit:]] 十六进制中容许出现的数字(例如 0-9a-fA-f)
//case 4: postman
string strText4 = “192876 A4U9H5 398CIJ FU87IO M1B8V2”; //假设某国家邮编格式为6位，偶数位必须是数字，基数位必须是大写字母
regex r4(“[[:upper:]]\\d[[:upper:]]\\d[[:upper:]]\\d”);
RegexExamplePrintAll(strText4, r4);
语义功能：找出合法邮编格式
结果：A4U9H5 M1B8V2
分析：使用了POSIX和元字符简化表达
第五节：重复匹配
经常会遇到重复匹配问题，即匹配若干个字符
使用+来重复匹配一个及以上的字符。跟[]结合的话+要放在外面才能达到+的预期效果
使用*来重复匹配零个及以上的字符。可以这样理解*：其代表的字符是可选的
使用?来匹配零个或一个字符。
//case 5-1: which is a valid email
string strText5_1 = “ben@forta.com fake@com dummy.com ben.forta@forta.com @health.com ben@urgent.forta.com”;
regex r5_1(“\\w+@\\w+\\.\\w+”);
RegexExamplePrintAll(strText5_1, r5_1);
语义功能：找出合法邮箱
结果：ben@forta.com forta@forta.com ben@urgent.forta
分析：邮箱可以拆成两部分，@之前用\w+表示，@之后用\w+ . \w+组合而成。因为.不在\w里所以单独列出来
从结果可以看出明显的假邮箱确实被排除了，但是后两个的结果不正确，也就是说我们把合法的邮箱也给删减了
//case 5-2: which is a valid email (improved version)
regex r5_2(“[\\w.]+@[\\w.]+”);
RegexExamplePrintAll(strText5_1, r5_2);
语义功能：找出合法邮箱
结果：ben@forta.com ben.forta@forta.com ben@urgent.forta.com
分析：在原来的基础上增加了对.的匹配，结果正确。不过要注意这增加了新的风险，比如说ben@forta..com也会被匹配
这里并没有给.转义。通常而言当.+这类字符在[]里使用时被当做字符对待。不过加一个转义字符也没有坏处。
这个案例说明了一个道理：通常而言一个问题有多种正则表达式解法，可以在不同程度上解决问题。我们更关注的是复杂度和精度。
//case 5-3: which is a valid URL
string strText5_3 = “http://www.forta.com httpz://www.what/net https://www.forta.com/”;
regex r5_3(“https?://[\\w./]+”);
RegexExamplePrintAll(strText5_3, r5_3);
语义功能：找出合法URL
结果：http://www.forta.com https://www.forta.com/
分析：以为http后面的s可以有可以没有，所以使用?。
使用{}来指定重复次数，让重复匹配更加精准。比如#[[:xdigit:]]{6}匹配#33FF66
还可以指定重复次数的范围，使用{n,m}表示至少重复n次至多重复m次。
n可以为0，表示0次，比如{0,3}。m可以为空，表示次数不限，比如{3,}。注意不要漏了逗号,否则就成了精确匹配
//case5-4: which is a valid date
string strText5_4 = “4/8/03 5_9/12 32/6/2015 10-6-2004 11-123-98763 4.13-2010 5-12+1995 7/4-2017”;
regex r5_4(“\\d{1,2}[-/]\\d{1,2}[-/]\\d{2,4}”);
RegexExamplePrintAll(strText5_4, r5_4);
语义功能：找出合法日期格式（这里是美国的写法）
结果：4/8/03 32/6/2015 10-6-2004 7/4-2017
分析：月和日是1或2位数，年份是2或4位数。使用{}指定次数，连字符-/都可以。
这里仅仅是检测格式，通常这一步在有效性检测之前。比如32/6/2015虽然无效但是格式正确
还有一个需要注意的地方，7/4-2017这个格式并不正确，但是使用我们目前掌握的技术无法解决这个问题。加上要求是“连字符必须前后一致”
这又回到了正则表达式永恒的主题：复杂度与精度之间的矛盾。如果你认为数据中不会出现-/这样的问题就不必处理。如果想更加robust，pattern就要更加复杂，阅读和维护的难度也会加大
使用+、*时要注意过度匹配的问题，因为这两个字符会一直吃进去字符。下面看一个经典的例子，你迟早会遇到类似问题。
//case5-5 : html tags
string strText5_5 = “This offer is not available to customers living in <B>AK</B> and <B>HI</B>.”;
regex r5_5(“<B>.*</B>”);
RegexExamplePrintAll(strText5_5, r5_5);
语义功能：找出html一对标签和里面的内容
结果：<B>AK</B> and <B>HI</B>
分析：从pattern上看好像十分正确，匹配首尾标签，内部内容随意。但是结果不正确，多出了and
为什么会这样？因为使用了贪婪型元字符*和+，并且与.组合。这样会一直匹配下去。
//case5-6: html tags(improved version)
regex r5_6(“<B>.*?</B>”);
RegexExamplePrintAll(strText5_5, r5_6);
语义功能：找出html一对标签和里面的内容
结果：<B>AK</B> <B>HI</B>
分析：这次结果正确了，因为使用了懒惰型元字符*?和+?，以及{n,}?。其意义是尽可能少地匹配字符
通常而言应该使用懒惰型元字符，这样更加robust
更高级的正则表达式语法见《正则表达式 – 进阶篇》。