【STL】正则表达式（C++）

C++标准库原生支持多种正则表达式语法规范，本篇内容主要讲解在使用正则功能时可供选择的各类语法体系差异。

目录

• 1 正则表达式语法规则
• • 1.1 概述
  • • 1.1.1 概述
    • 1.1.2 配套修饰标识（Flag）
    • 1.1.3 补充说明
  • 1.2 语法单元（Element）
  • • 1.2.1 所有正则语法通用基础单元
    • 1.2.2 ECMAScript（C++默认正则语法）额外支持的单元
    • 1.2.3 awk 语法专属扩展单元
    • 1.2.4 补充要点
  • 1.3 重复（Repetition）
  • • 1.3.1 概述
    • 1.3.2 关键知识点（C++ std::regex 重点）
  • 1.4 连接（Concatenation）
  • • 1.4.1 概述
    • 1.4.2 补充要点
  • 1.5 分支选择（Alternation）
  • • 1.5.1 概述
    • 1.5.2 核心要点
  • 1.6 子表达式（subexpression）
• 2 语法总览
• 3 语义详细信息
• • 3.1 位置锚点
  • 3.2 反向引用
  • 3.3 方括号表达式
  • 3.4 捕获组
  • 3.5 字符类
  • 3.6 字符区间
  • 3.7 排序元素
  • 3.8 排序符号
  • 3.9 控制转义序列
  • 3.10 DSW 字符转义
  • 3.11 等价类
  • 3.12 文件格式转义字符
  • 3.13 十六进制转义序列
  • 3.14 字面转义（恒等转义 / Identity-escape）
  • 3.15 普通字符（Individual character）
  • 3.16 负向断言
  • 3.17 负向单词边界断言（Negative word boundary assert）
  • 3.18 非捕获组（Non-capture group）
  • 3.19 非贪婪重复
  • 3.20 八进制转义序列（Octal escape sequence）
  • 3.21 普通字符（Ordinary character）
  • 3.22 正向断言（Positive assert）
  • 3.23 Unicode 转义序列（Unicode escape sequence）
  • 3.24 通配符（Wildcard character，. 点号）
  • 3.25 单词边界（Word boundary，\\b）
  • 3.26 单词边界断言（Word boundary assert，\\b）
• 4 匹配与搜索
• 5 格式标志 / 替换文本占位符（ECMAScript 替换规则）

1 正则表达式语法规则

1.1 概述

1.1.1 概述

开发者通过枚举类型 std::regex_constants::syntax_option_type 选定正则所采用的语法风格，标准库在 std::regex_constants 中提供了 6 套主流语法规范：

程序默认采用 ECMAScript 语法；一次配置只能选定其中一种语法，不可混用多种语法标准。

1.1.2 配套修饰标识（Flag）

可搭配语法，追加任意数量的标识来修改正则引擎工作方式：

• icase：匹配过程忽略字母大小写；
• nosubs：忽略括号内的捕获分组，不存储分组匹配到的内容；
• optimize：优化匹配运行速度，但正则编译构造阶段耗时会上升；
• collate：依照系统本地区域的字符排序规则解析字符区间（例如 [a-z]）；

语法标识与行为标识可以自由组合；若只填写行为标识、未指定语法，依旧默认使用 ECMAScript 语法；

1.1.3 补充说明

1.2 语法单元（Element）

正则表达式的组成单元分为以下通用类型，同时 ECMAScript、awk 语法各自扩展了专属语法单元。

1.2.1 所有正则语法通用基础单元

1.2.2 ECMAScript（C++默认正则语法）额外支持的单元

1.2.3 awk 语法专属扩展单元

1.2.4 补充要点

1.3 重复（Repetition）

本段介绍正则表达式量词（重复限定 Repetition）规则：

• 除零宽断言、锚点之外的任意正则元素后都可以附加重复次数限定符 {min,max}；
• 区分 POSIX BRE（basic/grep）与其他语法（ECMAScript、ERE、awk、egrep）支持的简写符号 * + ?；
• * 等价 {0,无穷}，+ 等价 {1,无穷}，? 等价 {0,1}；

ECMAScript 语法支持在量词后追加 ? 实现非贪婪匹配。

1.3.1 概述

• 除正向断言、反向断言、锚点之外的任意元素，后方都可以跟随重复次数限定；
• 最通用的重复写法为 {min,max}；在 basic、grep（BRE 基础正则）语法中需要写成 \\{min,max\\}。
• 被该量词修饰的元素，匹配最少 min 次、最多 max 次连续出现；

示例：a{2,3} 匹配 aa、aaa；不匹配 a、aaaa；

重复限定还有以下形式：

示例：

• a{2}：只匹配 aa，不匹配 a、aaa；
• a{2,}：匹配 aa、aaa…，不匹配单个 a；
• a*：匹配空字符串、a、aa…；

除 basic、grep 以外的所有正则语法，额外支持两种简写量词：

• ? 等效于 {0,1}；
• + 等效于 {1,无上限}；

示例：

• a?：匹配空字符串、a、不匹配 aa；
• a+：匹配 a、aa…，不能匹配空字符串；

在 ECMAScript 模式下，所有量词后面均可追加 ?，代表非贪婪（惰性）匹配。

1.3.2 关键知识点（C++ std::regex 重点）

量词对照表：

1.4 连接（Concatenation）

本节讲解正则表达式的连接规则： 多个正则元素（可携带重复量词）直接相邻书写，构成拼接表达式。匹配逻辑要求目标文本按顺序依次匹配每一个元素。

• 示例：a{2,3}b 匹配 2~3 个 a 后面紧跟 1 个 b；

1.4.1 概述

正则表达式元素（无论是否带有重复量词）可以相互拼接，组成更长的正则表达式。拼接后的表达式，匹配的目标字符串必须依次拼接各个独立元素所匹配的内容。

• 例如：a{2,3}b 能够匹配 “aab”、“aaab”，但无法匹配 “ab”、“aaaab”。

1.4.2 补充要点

1.5 分支选择（Alternation）

本段讲解正则的分支选择符 | ：

1.5.1 概述

除 basic 与 grep 语法之外，所有正则语法都允许：一段拼接式正则后面添加竖线 | ，再接另一段拼接正则。 可以通过该方式拼接任意多条分支表达式。最终的正则只要目标字符串能够匹配其中任意一条分支，整体就匹配成功。

当有多条分支都可以适配目标文本时：

• ECMAScript：返回最先成功匹配的分支结果；
• 其余正则语法：挑选能够匹配出最长子串的分支；

示例：ab|cd 可以匹配 ab、cd；无法匹配 abd、acd； 在 grep 和 egrep 模式中，换行符 \\n 同样可以用来分隔多个分支选项；

1.5.2 核心要点

1.6 子表达式（subexpression）

该段介绍正则中子表达式（subexpression）的定义区分：basic、grep 语法里子表达式代表表达式拼接；其余正则语法中，子表达式指由 | 构成的分支选择单元。

在 basic 和 grep 正则语法中，一个子表达式就是一段拼接组合的表达式。 其余类型的正则语法下，子表达式为分支选择（由 | 分隔的多选结构）。

解析

2 语法总览

这份对照表罗列 C++ 标准库六种正则语法（basic、extended、ECMAScript、grep、egrep、awk）的功能差异，覆盖分支选择、锚点、捕获组、量词、各类转义字符、零宽断言、非贪婪匹配等语法特性；ECMAScript（C-regex 默认模式）支持的高级功能最为齐全，basic、grep 基础正则大量符号需要添加反斜杠转义。

下表汇总各类正则语法所具备的功能：

关键点解析

3 语义详细信息

3.1 位置锚点

锚点用于匹配目标字符串里的位置，而非字符。脱字符 ^ 匹配字符串开头，美元符号 $ 匹配字符串末尾。

注释：

• 锚点不会消耗文本字符，只判定当前所处位置；
• ^ 起始锚点、$ 结尾锚点为正则最基础的边界约束符号；

3.2 反向引用

反向引用由反斜杠加上十进制数字 N 构成，它会匹配第 N 个捕获分组内存储的文本内容。数字 N 不能超过该反向引用前面已经出现过的捕获分组总数。

在 basic 与 grep 语法中，仅读取反斜杠后的单个十进制数字作为分组编号；而 ECMAScript 会读取紧随反斜杠之后全部连续的数字。 因此 basic、grep 最多只支持编号 1-9 的反向引用，即便表达式存在超过九个捕获组。 ECMAScript 则没有位数上限。

示例解析：

核心要点

3.3 方括号表达式

方括号表达式用于定义一组字符与排序元素。

• 当表达式以 ^ 开头时，只要当前目标字符不在该字符集合内，匹配就成功。
• 不带脱字符时，只要目标字符能够命中集合当中任意一个元素，即可匹配成功。

集合内的字符可以由多种元素自由组合定义：独立字符、字符区间、字符类、等价类以及排序符号。

关键解析

3.4 捕获组

捕获组将括号内的内容标记成一个整体单元，同时保存与之匹配到的目标子串。 每一个捕获组拥有一个数字编号：按照从左往右统计左圆括号的顺序进行编号。 该正则实现环境下，捕获组数量上限为31个。

示例说明：

核心要点

3.5 字符类

方括号表达式内可以使用字符类，它会把该命名类别下全部字符归入方括号所定义的字符集合。字符类语法格式：[:类名:]。 底层实现依靠 traits.lookup_classname 获取类别编号；再通过 traits.isctype(字符,编号) 判断该字符是否属于当前字符类。

标准 regex_traits 模板支持下面所有内置字符类：

核心要点：

3.6 字符区间

方括号表达式中的字符区间，会把区间内所有字符加入方括号的字符集合。

• 书写格式：起始字符 – 终止字符
• 区间包含编码数值大于等于起始字符、小于等于终止字符的全部字符；
• 区间结果受平台字符编码影响；
• 当短横线 – 位于方括号开头、末尾，或是区间起止位置异常时，- 仅代表它自身字面字符。

示例解读：

补充规则：开启地区语言环境后，字符区间不再依靠原始编码值，而是根据当前区域的字符排序规则判定区间范围。

关键要点：

3.7 排序元素

排序元素是被视作单个字符的多字符序列。

• 排序元素多用于部分本地化环境，把多字符字符组合当成整体匹配。

3.8 排序符号

方括号表达式内的排序符号，可以将一个排序元素加入该表达式定义的字符集合。

• 书写格式：[.排序元素.]
• [. .] 专属 POSIX 正则，ECMAScript 引擎一般不支持该写法。

3.9 控制转义序列

控制转义序列由反斜杠、字母 c，再加大小写英文字母构成；它匹配该字母对应的 ASCII 控制字符。

• 例如：\\ci 等价于十六进制 \\x09（制表符），因为快捷键 Ctrl+I 的 ASCII 编码就是 0x09
• \\cx 属于 ECMAScript 风格的转义语法，用来快捷输入各类不可见的控制字符。

3.10 DSW 字符转义

dsw 字符转义是字符类的短名称，如下表所示：

3.11 等价类

等价类是 POSIX 正则方括号表达式 [] 当中的本地化匹配语法，写法：[=元素=]。 它可以把所有等价的字符、排序元素一并归入匹配集合，多用于忽略重音、大小写这类变体字符。

方括号表达式内的等价类，会把所有和定义元素等价的普通字符、排序元素，全部加入括号表达式的可匹配字符集合。

• 等价类语法格式：[=排序元素=]
• 底层判断逻辑：两个排序元素 elt1、elt2，经过 traits.transform_primary 转换之后结果相同，则二者视为等价。

说明：

3.12 文件格式转义字符

文件格式转义就是 C语言常见的字符转义序列：\\\\、\\a、\\b、\\f、\\n、\\r、\\t、\\v。 各自含义依次为：反斜杠、响铃、退格、换页、换行、回车、水平制表符、垂直制表符。 在 ECMAScript 正则语法中，\\a 和 \\b 不被当作文件格式转义；反斜杠 \\\\ 虽然可用，但它属于标识转义，不属于文件格式转义。

3.13 十六进制转义序列

十六进制转义序列由一个反斜杠、字母 x，再加上两位十六进制数字（0-9、a-f、A-F）构成。它匹配目标字符串中，编码值等于这两位十六进制数所代表数值的那个字符。

• 例如，使用 ASCII 编码时，\\x41 可以匹配字符 A

要点说明：

3.14 字面转义（恒等转义 / Identity-escape）

字面转义由反斜杠 + 单个字符组成，直接匹配该字符本身。 当某个字符在正则里拥有特殊含义时，就需要使用字面转义；加上反斜杠之后，该字符会失去特殊功能，变回普通字符。

• a* 可以匹配 “aaa”，不能匹配 “a*”
• a\\* 不能匹配 “aaa”，可以匹配 “a*”

可以做字面转义的字符集合，随正则语法模式不同而变化：

要点说明

3.15 普通字符（Individual character）

方括号表达式里可以直接书写单个字符，该字符就会被加入方括号定义的字符集合。 ^ 放在方括号非开头的位置时，仅代表字符本身，不充当取反元字符。 示例：

• [abc]：可以匹配 a、b、c，不能匹配 d
• [^abc]：取反，可以匹配 d，不能匹配 a、b、c
• [a^bc]：^不是首字符，作为普通字符，可匹配 a、b、c、^，不能匹配 d

除 ECMAScript 以外的全部正则语法： 如果 ] 紧跟在左括号 [ 后面、或者紧跟在开头取反符 ^ 之后，] 被当作普通字面字符，而不是方括号的结束标记。 示例：

• []a：非法，缺少用来闭合的 ]
• []abc]：集合包含 ]、a、b、c
• [^]abc]：取反集合，匹配除 ]、a、b、c 以外字符

ECMAScript 语法规则不一样： 方括号内部想要表示字面的 ]、必须转义写成 ] 示例：

• []a：方括号内部为空集合，只能匹配 a
• [\\]abc]：集合包含 ]、a、b、c

要点总结

3.16 负向断言

负向断言匹配不满足括号内规则的位置。它不会消耗目标字符串里的任何字符。 示例：(!aa)(a*)

• 可以匹配字符串 “a”，捕获组 1 拿到子串 “a”；
• 不能匹配 “aa”、“aaa”；
• 文档里 (!aa) 是 ECMAScript 风格负先行断言 (?!aa) 的简写写法；

核心：

注：

• 只有 ECMAScript 语法支持 (?!) 负先行断言；
• POSIX (basic / extended / grep / awk) 语法不支持零宽断言；

3.17 负向单词边界断言（Negative word boundary assert）

当目标字符串的当前位置不在单词边界处时，断言匹配成功。

核心：

示例：字符串 apple

• a 前面：边界 → \\b 成立，\\B 失败
• a 和 p 之间：两个都是单词字符 → 不是边界，\\B 匹配成功

C++ regex 限制 仅 ECMAScript 模式支持 \\b / \\B 单词边界，POSIX 语法不提供单词边界断言。

3.18 非捕获组（Non-capture group）

非捕获组可以把括号内整体当成一个逻辑单元，但是不会分配编号、不保存匹配到的文本。

示例：(a)(?:b)*(c) 匹配字符串 “abbc”

• 捕获组 1：a
• 捕获组 2：c
• (?:b)* ：只用来分组、支持量词 * 重复，不会生成捕获编号。

核心

C++ regex 语法支持

• 只有 ECMAScript 模式支持 (?:…) 非捕获组；
• POSIX（basic / extended / grep / awk）没有非捕获组语法；

3.19 非贪婪重复

非贪婪量词会匹配目标字符串中满足条件的最短子串；贪婪量词则匹配满足条件的最长子串。 举个例子：(a+)(a*b) 可以匹配字符串 “aaab”。

• 使用非贪婪模式时：捕获组 1 匹配 “a”，捕获组 2 匹配 “aab”
• 使用贪婪模式时：捕获组 1 匹配 “aaa”，捕获组 2 匹配 “b”

要点解析

3.20 八进制转义序列（Octal escape sequence）

八进制转义序列由一个反斜杠，后面紧跟 1-3 位八进制数字 0-7 组成。它可以匹配目标字符串中，等于该八进制数值的字符。 如果全部数字都是0，则该转义序列无效；

• 示例：在 ASCII 编码下，\\101 匹配字符 A

要点说明

3.21 普通字符（Ordinary character）

普通字符是在当前正则语法规则下、不具备特殊含义的任意有效字符。

• 在 ECMAScript 模式中，以下字符拥有特殊语义：
  • ^ $ \\ . * + ? ( ) [ ] { } |
• 在 basic、grep 模式中，以下字符永久拥有特殊语义：
  • . [ \\
• 同时在 basic、grep 模式里，下面这些字符仅在特定上下文才有特殊含义：
  • *：绝大多数场景有特殊含义；只有位于正则开头、^ 之后、捕获组开头、捕获组内 ^ 之后时，*作为普通字符
  • ^：仅当它位于整个正则表达式的第一个字符时才是锚点元字符
  • $：仅当它位于整个正则表达式的最后一个字符时才是锚点元字符
• 在 extended、egrep、awk 模式中，永久特殊字符：
  • . [ \\ ( * + ? { |
• extended / egrep / awk 模式下，上下文敏感字符：
  • )：只有前面存在对应的 ( 时才有分组右括号含义
  • ^：仅在正则首位作为行开头锚点
  • $：仅在正则末尾作为行结尾锚点

普通字符会直接匹配目标字符串中完全一样的字符：

• 默认区分大小写：两个字符编码值相等才算匹配成功
• 忽略大小写匹配：通过 traits.translate_nocase(ch0) == traits.translate_nocase(ch1) 判断
• 区域语言(locale)敏感匹配：通过 traits.translate(ch0) == traits.translate(ch1) 判断

核心要点

3.22 正向断言（Positive assert）

正向断言可以匹配它内部的子模式，但不会消耗目标字符串中的任何字符。 示例：

• (=aa)(a*) 可以匹配 “aaaa”，捕获组 1 匹配 “aaaa”。
• (aa)(a*) 可以匹配 “aaaa”，捕获组 1 匹配开头的 “aa”，捕获组 2 匹配末尾的 “aa”。
• (=aa)(a)|(a) 可以匹配 “a”：正向断言匹配失败，捕获组 1 得到空串，捕获组 2 匹配 “a”。
  • 该表达式也可以匹配 “aa”：捕获组 1 匹配 “aa”，捕获组 2 得到空串。

要点说明

• (aa)：消耗字符，匹配到的 “aa” 存入捕获组，光标往后走
• (?=aa)：不消耗字符，仅校验后面是不是 aa，光标留在原地

3.23 Unicode 转义序列（Unicode escape sequence）

Unicode 转义序列格式：反斜杠 \\ + 字母 u + 4 位十六进制数字 0-9 a-f A-F。 它匹配目标字符串中码点等于这 4 位十六进制数值的字符。 示例：ASCII 编码环境下，\\u0041 匹配字符 “A”

要点详解

3.24 通配符（Wildcard character，. 点号）

通配符 . 可以匹配目标字符串里除换行符以外的任意单个字符。

要点说明

3.25 单词边界（Word boundary，\\b）

单词边界出现在下面四种位置之一：

要点详解

3.26 单词边界断言（Word boundary assert，\\b）

当目标字符串的当前位置正好处于一个单词边界之后时，单词边界断言匹配成功。

要点解析

4 匹配与搜索

完整匹配（match）：正则表达式必须匹配整个目标字符串才算匹配成功。

• 例如正则 bcd，可以匹配 “bcd”；不能匹配 “abcd”，也不能匹配 “bcde”。

搜索查找（search）：只要目标字符串中某处存在一段子串能够匹配正则，查找就成功。查找通常优先找到最靠左的匹配项。 示例：

• 在 “bcd” 中搜索 bcd：查找成功，匹配整个字符串。
• 在 “abcd” 中搜索 bcd：查找成功，匹配最后三个字符。
• 在 “bcde” 中搜索 bcd：查找成功，匹配开头三个字符。
• 在 “bcdbcd” 中搜索 bcd：查找成功，匹配最靠前的前三个字符。

如果在同一个起始位置可以匹配出多个不同子串，有两种选择策略：

举例：正则 b|bc，目标串 “abcd”

• first-match（ECMAScript）：先匹配 b 成功，直接返回子串 “b”，不会再尝试 bc
• longest-match（POSIX-extended / egrep / awk）：候选 “b”、“bc”，选择更长的 “bc”

部分匹配（partial match）：即使正则还没有解析完毕，只要已经走到目标字符串末尾且中途没有匹配失败，部分匹配就视为成功。 因此：

• 部分匹配成功之后，如果给目标字符串追加字符，后续再次做部分匹配有可能失败；
• 如果当前部分匹配已经失败，就算再追加字符，后续也不可能变成部分匹配成功；

例子：开启部分匹配模式时，ab 可以部分匹配 “a”；不能部分匹配 “ac”。

核心要点（C++ std::regex）

// "abcd" 不能匹配 "bcd"
regex_match("abcd", sm, regex("bcd")) → false

regex_search("abcd", sm, regex("bcd")) → true

5 格式标志 / 替换文本占位符（ECMAScript 替换规则）

仅 ECMAScript 语法支持下面这些 $ 开头的替换占位符，用于 regex_replace 的替换字符串

各个占位符解释

C++ 使用注意事项