正则表达式详解C20 1. 什么是正则表达式正则表达式Regular Expression简称 regex是一种用于描述字符串匹配模式的强大工具。它本质上是一种微型的领域特定语言通过特定的语法规则来定义一组字符串的集合。正则表达式广泛应用于输入验证邮箱、电话、URL、密码强度等文本搜索与提取日志分析、数据抓取查找替换敏感词过滤、格式化整理编译器词法分析、语法高亮等在 C20 中标准库regex提供了完整的正则表达式支持包括匹配、搜索、替换和迭代等功能。2. 正则表达式基本语法一览这里以默认的 ECMAScript 语法JavaScript 风格为例这也是 Cstd::regex的默认语法。大多数通用 regex 知识在此适用。2.1 普通字符与元字符普通字符字母、数字、空格等匹配自身。元字符有特殊含义. ^ $ * ? { } [ ] \ | ( )若要匹配元字符本身需用反斜杠\转义。在 C 代码中反斜杠本身需要转义因此推荐使用原始字符串字面量R(...)避免转义地狱。2.2 字符类模式说明[abc]匹配 a、b 或 c 中的任意一个字符[^abc]匹配除 a、b、c 外的任意一个字符否定[a-z]匹配 a 到 z 的任意小写字母.匹配除换行符外的任意单个字符\d匹配一个数字等价于[0-9]\D匹配一个非数字等价于[^0-9]\w匹配一个单词字符字母、数字、下划线等价于[A-Za-z0-9_]\W匹配一个非单词字符\s匹配一个空白字符空格、制表符、换行等\S匹配一个非空白字符2.3 量词重复次数模式说明*前一表达式出现 0 次或多次前一表达式出现 1 次或多次?前一表达式出现 0 次或 1 次{n}前一表达式恰好出现 n 次{n,}前一表达式出现至少 n 次{n,m}前一表达式出现 n 到 m 次默认是贪婪匹配量词后面加?变为非贪婪匹配如*?,?,??。2.4 定位符锚点模式说明^匹配字符串开头$匹配字符串结尾\b匹配单词边界\B匹配非单词边界2.5 分组与捕获(pattern)捕获组匹配并捕获内容可通过编号访问。(?:pattern)非捕获组只匹配不捕获不产生反向引用。\1,\2…反向引用匹配与第 n 个捕获组相同的内容。(?namepattern)或(?namepattern)命名捕获组C 中需std::regex::ECMAScript并注意支持情况std::regex本身不直接支持命名捕获可用编号替代。2.6 零宽断言模式说明(?p)正向先行断言要求后面是 p但不消耗字符(?!p)负向先行断言要求后面不是 p(?p)正向后发断言要求前面是 pCstd::regex不完全支持可变宽度后发断言(?!p)负向后发断言要求前面不是 pstd::regex对后发断言支持有限使用时需测试。3. C20 正则表达式库核心组件3.1 头文件与主要类#include regexstd::regex存储编译后的正则表达式基于模板std::basic_regexchar。std::wregex用于宽字符的正则表达式。std::cmatch/std::smatch匹配结果集分别对应 C 风格字符串和std::string。std::sub_match子匹配结果代表一个捕获组。3.2 常用匹配函数函数作用std::regex_match检查整个字符串是否与正则表达式完全匹配。std::regex_search在字符串中搜索是否存在与正则表达式匹配的子串。std::regex_replace将匹配的子串替换为指定的格式字符串。所有函数都可接受std::regex_constants::match_flag_type标志控制行为。3.3 编译标志构造std::regex时可指定语法选项和优化标志常见如下std::regex pattern(..., std::regex_constants::ECMAScript | std::regex_constants::optimize);ECMAScript默认语法类似 JavaScript。grep、extended、awk、egrep其他语法变体。icase忽略大小写。optimize提示正则引擎尽量优化适合多次匹配场景。multiline使^和$匹配行的开头和结尾而非整个字符串。3.4 迭代器std::regex_iterator迭代字符串中所有匹配项。std::regex_token_iterator可迭代匹配项或特定捕获组常用于字符串分割。4. 安全优雅的 C20 实践准则4.1 用原始字符串字面量书写正则C 正则中反斜杠非常多传统写法要写\\d{3}极易出错且难以维护。应始终使用R()auto phone_pattern std::regex(R(\d{3}-\d{4})); // 清晰直观4.2 避免重复编译正则对象正则编译构造std::regex开销较大。最佳实践是将正则对象声明为static const保证只编译一次。static const std::regex email_regex(R(^[\w.-][\w-]\.[\w.-]$));4.3 异常处理正则语法错误、不支持的特性、以及内存分配等问题会抛出std::regex_error。健壮的代码应当捕获该异常try { static const std::regex re(R(\d)); } catch (const std::regex_error e) { std::cerr Regex error: e.what() (code: e.code() )\n; // 进行合适的错误处理 }4.4 善用std::formatC20输出结果使用std::format可以让结果打印更为优雅避免繁琐的流操作。#include format #include iostream // ... std::cout std::format(Match found at position {}: {}\n, match.position(), match.str());4.5 将常用操作封装为可复用的函数例如封装一个验证函数返回bool或封装一个提取函数返回std::optional或std::vector。这既安全又优雅。5. 完整代码示例5.1 邮箱格式验证#include iostream #include regex #include string #include format bool is_valid_email(std::string_view email) { // 通用的邮箱正则简化版 static const std::regex pattern( R(^[a-zA-Z0-9._%-][a-zA-Z0-9.-]\.[a-zA-Z]{2,}$), std::regex_constants::ECMAScript | std::regex_constants::optimize ); try { return std::regex_match(email.begin(), email.end(), pattern); } catch (const std::regex_error) { // 理论上静态正则不会在匹配时抛出异常但保留安全性 return false; } } int main() { std::string test userexample.com; std::cout std::format({} is valid: {}\n, test, is_valid_email(test)); test not-an-email; std::cout std::format({} is valid: {}\n, test, is_valid_email(test)); }5.2 提取日志中的日期假设日志行格式为[2026-06-03 14:30:00] ERROR: message我们要提取日期部分。#include iostream #include regex #include string #include optional #include format std::optionalstd::string extract_date(const std::string log_line) { // 捕获组括号内为日期格式 YYYY-MM-DD static const std::regex date_regex( R(\[(\d{4}-\d{2}-\d{2})\s), std::regex_constants::optimize ); std::smatch match; if (std::regex_search(log_line, match, date_regex) match.size() 1) { return match[1].str(); // 第一个捕获组 } return std::nullopt; } int main() { std::string log [2026-06-03 14:30:00] ERROR: Disk full; if (auto date extract_date(log)) { std::cout std::format(Extracted date: {}\n, *date); } else { std::cout No date found.\n; } }5.3 敏感词替换用*替换所有出现的敏感词且忽略大小写。#include iostream #include regex #include string #include format std::string censor_text(std::string text, const std::string forbidden_word) { // 动态构造正则此处演示一般也尽量 static try { std::regex word_regex(forbidden_word, std::regex_constants::ECMAScript | std::regex_constants::icase | std::regex_constants::optimize); return std::regex_replace(text, word_regex, ***); } catch (const std::regex_error e) { std::cerr std::format(Regex error: {}\n, e.what()); return text; // 失败时返回原字符串 } } int main() { std::string message You are an idiot, IDIOT!; std::string clean censor_text(message, idiot); std::cout std::format(Censored: {}\n, clean); }5.4 遍历所有匹配提取所有数字#include iostream #include regex #include string #include vector #include format std::vectorint extract_all_numbers(const std::string input) { static const std::regex number_regex(R(\d), std::regex_constants::optimize); std::vectorint numbers; // regex_iterator 遍历所有匹配 auto begin std::sregex_iterator(input.begin(), input.end(), number_regex); auto end std::sregex_iterator(); for (auto it begin; it ! end; it) { numbers.push_back(std::stoi(it-str())); } return numbers; } int main() { std::string data Price: 42, Discount: 15, Items: 3.; auto nums extract_all_numbers(data); for (size_t i 0; i nums.size(); i) { std::cout std::format(Number {}: {}\n, i 1, nums[i]); } }6. 注意事项与局限性6.1 性能特性std::regex在绝大多数标准库实现中性能一般它使用回溯算法某些模式可能导致指数级时间灾难性回溯。对于高性能需求场景可考虑使用boost::regex或 RE2 等外部库它们提供更优的算法和更稳定的表现。仍然建议编译一次多次使用使用optimize标志。6.2 Unicode 支持C20 标准正则库对 Unicode 的支持有限\w等并不匹配所有 Unicode 字母。若需完整 Unicode 属性匹配请借助第三方库如 ICU 或 Boost.Regex。6.3 后发断言限制std::regex要求后发断言(?...)中的模式必须是固定宽度即不能包含*、、{n,m}等不定长度量词。这是 ECMAScript 标准的行为。6.4 线程安全std::regex对象本身是线程安全的可以多个线程同时使用同一个const对象进行匹配。std::smatch等结果对象则不是线程安全的每次匹配应使用局部变量。7. 总结正则表达式是处理文本的瑞士军刀C20 通过regex库完整支持了正则的匹配、搜索、替换和遍历。写出安全优雅的 C 正则代码应遵循以下要点使用原始字符串字面量R(...)定义模式告别转义困扰。静态常量存储编译后的正则加上optimize标志提升效率。始终准备捕获std::regex_error确保程序健壮。利用std::regex_match、std::regex_search和std::regex_replace处理常用场景。结合现代 C20 特性如std::format、std::optional、Range-based 循环使代码更清晰。理解标准库的局限性必要时替换为更专业的正则引擎。
