正则表达式（regex）是基于模式提取和分割字符串的强大工具。C++ 的 <regex> 库提供了健壮的、类似 Perl 的语法，可跨 Linux、Windows 和嵌入式环境使用。本指南聚焦于实际的提取和分割任务——从文本中提取电话号码、分割 CSV 行、解析键值对——使用 std::regex、std::regex_search、std::sregex_token_iterator 和 std::regex_replace。我们将涵盖常见陷阱、性能注意事项以及一个完整的示例。
为什么使用正则表达式进行提取和分割？
使用循环和条件语句手动解析字符串容易出错且难以维护。正则表达式提供了：
- 声明式模式：描述要匹配的内容，而不是方式。
- 可移植性：相同的正则表达式可在 C++、Python、Java 等语言中工作。
- 灵活性：处理可选部分、不同空白符和嵌套结构。
常见用例：
- 从文档中提取所有电子邮件地址。
- 将日志行分割为时间戳、级别和消息。
- 验证和解析用户输入（电话号码、ID）。
用于提取的核心 C++ 正则表达式类
C++ 正则表达式位于 <regex> 中，核心有三个类：
| 类 | 用途 |
|---|---|
std::regex |
编译后的正则表达式对象（类似 Java 的 Pattern） |
std::smatch |
针对 std::string 的匹配结果（子匹配） |
std::sregex_token_iterator |
迭代所有匹配项或按非匹配项分割 |
使用 std::regex_search 进行提取
regex_search 查找第一个匹配项并填充 std::smatch 对象。使用捕获组 () 提取子部分。
#include <iostream>
#include <regex>
#include <string>
int main() {
std::string text = "Contact: (123) 456-7890 or 987-654-3210";
std::regex phone_regex(R"(\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4})");
std::smatch match;
if (std::regex_search(text, match, phone_regex)) {
std::cout << "Found: " << match.str() << std::endl; // (123) 456-7890
}
return 0;
}
注意：原始字符串字面量 R"(...)" 避免了转义反斜杠。在 C++11 及更高版本中，正则表达式优先使用原始字符串。
使用 sregex_token_iterator 提取所有匹配项
要提取所有出现，使用 std::sregex_token_iterator，索引 0 表示整个匹配，正索引表示特定捕获组。
std::string text = "Emails: alice@example.com, bob@test.org, charlie@domain.co.uk";
std::regex email_regex(R"([\w.-]+@[\w.-]+\.\w+)");
std::sregex_token_iterator it(text.begin(), text.end(), email_regex, 0);
std::sregex_token_iterator end;
while (it != end) {
std::cout << *it++ << std::endl;
}
// 输出：
// alice@example.com
// bob@test.org
// charlie@domain.co.uk
使用 sregex_token_iterator 分割字符串（负索引）
传递 -1 作为第四个参数，按正则表达式分割（类似 Python 的 re.split）。
std::string csv = "apple, banana; cherry | date";
std::regex delimiter(R"([,;|]\s*)");
std::sregex_token_iterator it(csv.begin(), csv.end(), delimiter, -1);
std::sregex_token_iterator end;
while (it != end) {
std::cout << "[" << *it++ << "]" << std::endl;
}
// 输出：
// [apple]
// [banana]
// [cherry]
// [date]
完整示例：解析电话簿条目
假设我们有一行电话簿：
John Doe: (555) 123-4567, jdoe@example.com; Jane Smith: 555-987-6543, jane@work.net
目标：提取每个人的姓名、电话和电子邮件。
第 1 步：定义模式
我们将使用编号的捕获组（C++ 不支持命名组）：
(\w+\s+\w+):\s+(\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}),\s+([\w.-]+@[\w.-]+\.\w+)
- 组 1：姓名（两个单词）
- 组 2：电话
- 组 3：电子邮件
第 2 步：迭代所有匹配项
#include <iostream>
#include <regex>
#include <string>
int main() {
std::string text = "John Doe: (555) 123-4567, jdoe@example.com; Jane Smith: 555-987-6543, jane@work.net";
std::regex entry_regex(R"((\w+\s+\w+):\s+(\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}),\s+([\w.-]+@[\w.-]+\.\w+))");
std::sregex_iterator it(text.begin(), text.end(), entry_regex);
std::sregex_iterator end;
for (; it != end; ++it) {
std::smatch match = *it;
std::cout << "Name: " << match[1] << std::endl;
std::cout << "Phone: " << match[2] << std::endl;
std::cout << "Email: " << match[3] << std::endl;
std::cout << "---" << std::endl;
}
return 0;
}
输出： ``` Name: John Doe Phone: (555) 123-4567 Email: jdoe@example.com
Name: Jane Smith Phone: 555-987-6543 Email: jane@work.net
## 常见陷阱
- **贪婪 vs. 懒惰量词**：`.*` 尽可能多地匹配；使用 `.*?` 进行最小匹配。
- **普通字符串中的转义**：始终使用原始字符串字面量 `R"(...)"` 以避免双反斜杠。
- **重叠匹配**：`regex_search` 和 `sregex_token_iterator` 默认不查找重叠匹配。对于重叠，使用前瞻或手动定位。
- **性能**：只编译一次正则表达式（静态或重用对象）。避免在循环中重新编译。
- **Unicode**：C++ `std::regex` 配合 `std::string` 处理的是 UTF-8 字节，而不是码点。要获得正确的 Unicode 匹配，请使用 `std::wregex` 配合 `std::wstring` 或 ICU 等库。
## 性能注意事项
- **预编译正则表达式**：当重复使用时，将 `std::regex` 存储为静态或全局变量。
- **使用 `std::regex::optimize` 标志**：`std::regex(pattern, std::regex::optimize)` 可能加快匹配速度，但编译速度较慢。
- **避免在热循环中使用 `std::regex`**：如果必须，在循环外提取一次。
- **优先使用 `std::string_view`（C++17）**：使用 `std::regex_iterator` 配合 `std::string_view` 以避免拷贝。
## 常见问题解答
### 如何只提取第一个匹配项？
使用 `std::regex_search`（如上所示）。它返回 `bool` 并填充一个 `std::smatch`。
### 能否使用正则表达式分割字符串并保留分隔符？
可以。使用索引 `-1` 的 `sregex_token_iterator` 获取分隔符*之间*的部分。要包含分隔符，使用索引 `0` 迭代并与分割部分手动组合，或使用捕获组和索引 `-1` 配合交替技巧。
### 为什么我的正则表达式匹配不到任何内容？
检查：
- 转义不正确（使用原始字符串字面量）。
- 缺少锚点（`^`、`
正则表达式提取与分割字符串：C++ 实战指南 | MyUtl
MyUtl
正在加载，请稍候…
），如果你想要全字符串匹配。
- 贪婪量词消耗过多。
- 使用我们的 [regex tester](/regex-tester) 进行调试。
### `std::regex` 是线程安全的吗？
是的，`std::regex` 对象在构造后是线程安全的。但 `std::smatch` 和迭代器不是——每个线程需要自己的匹配对象。
### 如何在 C++ 正则表达式中处理 Unicode？
`std::regex` 配合 `std::string` 将 UTF-8 视为字节。字符类 `\w` 可能不匹配 Unicode 字母。使用 `std::wregex` 配合 `std::wstring` 和 `\w` 及 `std::regex::ECMAScript` 标志，或考虑 Boost.Regex 或 ICU 以获得完整的 Unicode 支持。
## 亲自尝试
在我们的 [regex tester](/regex-tester) 中试验这些模式。粘贴你的文本和模式，实时查看高亮匹配结果。它支持与 C++ 相同的 ECMAScript 语法。
