正则表达式思维

缘起

       毫无疑问，对字符串的处理是我们编程最经常的工作之一。同时处理字符串也可能是我们遇到的最棘手的问题之一。举个简单的实例，上周我处理的一个文本：02级学生名单。文本是txt格式的，每个元组一行，每个分量间严格按空白符隔开。我想把它变成数据库资料用于查询，因为没有用过什么转换工具，只能自己实现了——把每条元组换成一个SQL插入语句再全部执行（某老鸟：我啥也不说了~）。

       看似简单的任务，用C++标准流实现就是了。但实现过程中我发现了几个问题：1）空项，学生信息里“政治面貌”和“家庭电话”等信息可能有空项；2）单一分量中可能存在空白符，比如某些两个字的学生姓名中间可能有一个空格（天知道这个文本原来是什么格式文件导出的~）；3）极少部分学生资料不完整，甚至缺少主键。以上这几条用简单的标准流解决几乎就是不可能的。

正则表达式

       自然的我们想到正则表达式。正则表达式提供了一种描述字符串格式的方法。比如学号是九位的数字，就可以描述为 [0-9]{9} ，或 [[:digit:]]{9} 。后者是perl风格的描述法，它保证不同字符字长的机器上有通用性。这里我们可以解决空项的问题，比如家庭电话可以描述为 [[:digit:]]{,12 } ，表示至多12位的数字，更严密的方法是：(\<[0][[:digit:]]{10,11})?，表示首位为0，长11或12位的数字或空串。有关正则表达式的资料，可以在任何一本有关Linux/Unix的书里查到。下面的boost等工具也有相关文档。

boost::regex

       当今C++语言对于正则表达式支持最好的就是boost库了（好像是在说废话）。如果不深究内部实现，学习使用boost的正则表达式是很easy~的。boost的正则表达式库是boost::regex（正则表达式就是regular expression啦，这个大家都了解吧）。头文件是<boost/regex.hpp>（还有一个<boost/regex.h>的，但不提供常用功能，这个我用的时候才发现，有达人指教一下哈）。

       boost::regex定义类似STL的string类，它形如：

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;

}

然后我们就可以来匹配了。语法是：

template <class ST, class SA, class charT, class traits, class Allocator2>

inline bool regex_match(const std::basic_string<charT, ST, SA>& s,

                 const reg_expression<charT, traits, Allocator2>& e,

                 match_flag_type flags = match_default)

       呼呼，以上是原文件里拷来的，简言之就是用

              boost::regex_match( strs, e)

       其中strs是源串，e是正则表达式，返回bool值。

       当然最主要是把匹配的元素取出来，boost也提供了相关支持，那是一个类：

namespace boost{

typedef match_results<const char*> cmatch;

typedef match_results<const wchar_t*> wcmatch;

typedef match_results<std::string::const_iterator> smatch;

typedef match_results<std::wstring::const_iterator> wsmatch;

}

       此外boost还提供了替换等其他操作。总之boost在C++上提供了与Linux/Unix的正则表达式完全相同的，功能完整的操作。最近听说boost的正则表达式等几个库已经被纳入标准了，果然是大势所趋众望所归啊呼呼~。以上介绍都是取自boost自身文档，有兴趣的朋友可以自己找来看看。

Perl

       另外两个不得不提到的程序是Linux/Unix下的sed和grep（或许还有vi？），他们是两个完全支持正则表达式的编辑工具。但是，正如一些流行的说法，正则表达式“最迷人，最激动人心”的体现，是在Perl这一脚本语言上。Perl的语法简单易学功能强大，而且正因为其脚本语言（或者说是胶水语言）的特性，它能和其他任何系统和语言（除了C++ boost外，流行的那几个编程语言没这么支持正则表达式了吧~）通信。然而谈到Perl，必然就要说到python这门极其……

       算了，这个方面……偶自己也在学习中(大家不要B4偶啊)，就不误人子弟了。