Reguläre Ausdrücke sind ein mächtiges Instrument, um Texte zu durchsuchen und zu formatieren. In Programmiersprachen wie Perl sind sie daher schon fest eingebaut; der C++ Programmierer kann Bibliotheken wie das frei verfügbare regex++ einsetzen.
Nach dem Download von regex++ müssen die erforderlichen Bibliotheken zunächst auf dem eigenen Computer übersetzt werden. Für Benutzer des Borland C++ Compilers/Builders, Microsoft Visual C++ 6.0 oder des GCC 2.95 sollte diese Prozedur relativ problemlos ablaufen.
Reguläre Ausdrücke sind Entwicklern, die in Perl programmieren oder die Unix-Tools awk, sed oder egrep verwenden, bereits in Fleisch und Blut übergegangen. Auch für den C-Programmierer gibt es seit langen die POSIX Funktionen regcomp und regexec (nur nicht für Microsoft Visual C++). Regex++ verwendet zur Angabe der regulären Ausdrücke genau die gleiche, POSIX konforme Syntax wie diese bekannten Tools. Jedoch besitzt regex++ ein komfortables C++ Interface, welches den Einsatz von regulären Ausdrücken im C++ Programm sehr einfach macht.
Die Funktion
#include <boost/regex.hpp> bool check_car_number(const string s) { static const boost::regex e("\\u{1,3}-\\u{1,2} \\d{1,4}[ \\0]*"); return regex_match(s, e); }
überprüft zum Beispiel durch Aufruf der Funktion regex_match, ob die im String s übergebene Zeichenkette ein in Deutschland gültiges Autokennzeichen ist. Der Schlüssel dazu ist der reguläre Ausdruck e. Hierin bedeutet die Sequenz \u{1,3} eine Folge von ein bis drei Großbuchstaben und \d{1,4} ein bis vier Ziffern. Andere Zeichen, wie - oder das Leerzeichen, werden literal (so wie sie sind) interpretiert. Da der reguläre Ausdruck als Zeichenkette in einem C++ Programm steht, müssen bestimmte Zeichen, die eine Sonderbedeutung für den C Compiler haben, mit dem Backslash \ maskiert werden. Der reguläre Ausdruck \u muss dann also mit \\u kodiert werden.
Das nächste Beispiel verwendet die Funktion regex_split, um alle Links aus einer HTML Datei zu extrahieren und auszugeben. Der reguläre Ausdruck e bildet dabei die Syntax des HTML Tags <a href="url"> ab, die Option boost::regbase::icase sorgt für eine von Groß- oder Kleinschreibung unabhängige Auswertung der Eingabe:
#include <list> #include <fstream> #include <iostream> #include <boost/regex.hpp> void load_file(std::string& s, std::istream& is) { s.erase(); s.reserve(is.rdbuf()->in_avail()); char c; while(is.get(c)) { if(s.capacity() == s.size()) s.reserve(s.capacity() * 3); s.append(1, c); } } boost::regex e("<\\s*A\\s+[^>]*href\\s*=\\s*"?([^" >]*)", boost::regbase::normal | boost::regbase::icase); int main(int argc, char** argv) { std::string s; std::list<std::string> l; for(int i = 1; i < argc; ++i) { std::cout << "Findings URL's in " << argv[i] << ":" << std::endl; std::ifstream is(argv[i]); l.clear(); load_file(s, is); boost::regex_split(std::back_inserter(l), s, e); std::copy(l.begin(), l.end(), std::ostream_iterator<std::string>(std::cout, "\n")); } return 0; }
Zum Suchen und Ersetzen von Text kann die Funktion regex_merge verwendet werden. Das folgende Beispielprogramm dient zur Umwandlung von HTML Dateien in reinen Text. Dazu werden im ersten Schritt sämtliche HTML Tags <...> durch eine leere Zeichenkette ersetzt, im zweiten Schritt erfolgt die Umwandlung der benannten Zeichen wie < > usw. in ihr entsprechendes ASCII-Äquivalent:
boost::regex tag_exp("<[^>]*>", boost::regbase::normal | boost::regbase::icase); boost::regex amp_exp("(<)|(>)|(&)|(")|(«)|(»)|" "(ä)|(Ä)|(ö)|(Ö)|(ü)|(Ü)|" "(ß)|( )"); const char* amp_format = "(?1<)(?2>)(?3&)(?4")(?5")(?6")" "(?7ä)(?8Ä)(?9ö)(?10Ö)(?11ü)(?12Ü)" "(?13ß)(?14 )"; int main(int argc, char** argv) { std::string s; for(int i = 1; i < argc; ++i) { std::cout << "Converting " << argv[i] << " to text:" << std::endl; std::ifstream is(argv[i]); load_file(s, is); s = boost::regex_merge( s, tag_exp, ""); std::ostream_iterator<char> out(std::cout); boost::regex_merge( out, s.begin(), s.end(), amp_exp, amp_format); } return 0; }
Dem Einsteiger in die Thematik der regulären Ausdrücke sei die Lektüre der regex++ Dokumentation (Online Version) und der Manual Pages regex (7) und perlre (1) empfohlen.