C++ 中三种正则表达式比较

原文链接：http://www.codeceo.com/article/cpp-regex-compare.html

工作需要用到C++中的正则表达式，所以就研究了以上三种正则。

1、C regex

/*  write by xingming
 *  time:2012年10月19日15:51:53
 *  for: test regex
 *  */#include <regex.h>#include <iostream>#include <sys/types.h>#include <stdio.h>#include <cstring>#include <sys/time.h>using namespace std;const int times = 1000000;int main(int argc,char** argv){    char pattern[512]="finance\.sina\.cn|stock1\.sina\.cn|3g\.sina\.com\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp.sina.cn/.*ch=9&";    const size_t nmatch = 10;    regmatch_t pm[10];    int z ;    regex_t reg;    char lbuf[256]="set",rbuf[256];    char buf[3][256] = {"finance.sina.cn/google.com/baidu.com.google.sina.cndddddddddddddddddddddda.sdfasdfeoasdfnahsfonadsdf",                    "3g.com.sina.cn.google.com.dddddddddddddddddddddddddddddddddddddddddddddddddddddbaidu.com.sina.egooooooooo",                    "http://3g.sina.com.cn/google.baiduchannel=financegogo.sjdfaposif;lasdjf.asdofjas;dfjaiel.sdfaosidfj"};    printf("input strings:\n");
    timeval end,start;
    gettimeofday(&start,NULL);
    regcomp(&reg,pattern,REG_EXTENDED|REG_NOSUB);    for(int i = 0 ; i < times; ++i)
    {        for(int j = 0 ; j < 3; ++j)
        {
            z = regexec(&reg,buf[j],nmatch,pm,REG_NOTBOL);/*          if(z==REG_NOMATCH)
                printf("no match\n");
            else
                printf("ok\n");
                */
        }
    }
    gettimeofday(&end,NULL);
    uint time = (end.tv_sec-start.tv_sec)*1000000 + end.tv_usec - start.tv_usec;    cout<<time/1000000<<" s and "<<time%1000000<<" us."<<endl;    return 0 ;
}

使用正则表达式可简单的分成几步：

• 1.编译正则表达式

• 2.执行匹配

• 3.释放内存

首先，编译正则表达式

int regcomp(regex_t *preg, const char *regex, int cflags);

reqcomp()函数用于把正则表达式编译成某种格式，可以使后面的匹配更有效。

preg： regex_t结构体用于存放编译后的正则表达式；

regex： 指向正则表达式指针；

cflags：编译模式

共有如下四种编译模式：

REG_EXTENDED：使用功能更强大的扩展正则表达式

REG_ICASE：忽略大小写

REG_NOSUB：不用存储匹配后的结果

REG_NEWLINE：识别换行符，这样‘$’就可以从行尾开始匹配，‘^’就可以从行的开头开始匹配。否则忽略换行符，把整个文本串当做一个字符串处理。

其次，执行匹配

int regexec(const regex_t *preg, const char *string, size_t nmatch, regmatch_t pmatch[], int eflags);

preg： 已编译的正则表达式指针；

string：目标字符串；

nmatch:pmatch数组的长度；

pmatch：结构体数组，存放匹配文本串的位置信息；

eflags：匹配模式

共两种匹配模式：

REG_NOTBOL：The match-beginning-of-line operator always fails to match  (but see  the  compilation  flag  REG_NEWLINE above). This flag may be used when different portions of a string are passed  to  regexec and the beginning of the string should not be interpreted as the beginning of the line.

REG_NOTEOL:The match-end-of-line operator always fails to  match  (but  see the compilation flag REG_NEWLINE above)

最后，释放内存

void regfree(regex_t *preg);

当使用完编译好的正则表达式后，或者需要重新编译其他正则表达式时，一定要使用这个函数清空该变量。

其他，处理错误

size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size);

当执行regcomp 或者regexec 产生错误的时候，就可以调用这个函数而返回一个包含错误信息的字符串。

errcode： 由regcomp 和 regexec 函数返回的错误代号。

preg： 已经用regcomp函数编译好的正则表达式，这个值可以为NULL。

errbuf： 指向用来存放错误信息的字符串的内存空间。

errbuf_size： 指明buffer的长度，如果这个错误信息的长度大于这个值，则regerror 函数会自动截断超出的字符串，但他仍然会返回完整的字符串的长度。所以我们可以用如下的方法先得到错误字符串的长度。

当然我在测试的时候用到的也比较简单，所以就直接用了，速度一会再说！

2、C++ regex

/*  write by xingming
 *  time:2012年10月19日15:51:53
 *  for: test regex
 *  */#include <regex>#include <iostream>#include <stdio.h>#include <string>using namespace std;int main(int argc,char** argv){    regex pattern("[[:digit:]]",regex_constants::extended);    printf("input strings:\n");    string buf;    while(cin>>buf)
    {        printf("*******\n%s\n********\n",buf.c_str());        if(buf == "quit")
        {            printf("quit just now!\n");            break;
        }

        match_results<string::const_iterator> result;        printf("run compare now!  '%s'\n", buf.c_str());        bool valid = regex_match(buf,result,pattern);        printf("compare over now!  '%s'\n", buf.c_str());        if(!valid)            printf("no match!\n");        else
            printf("ok\n");
    }    return 0 ;
}

C++这个真心不想多说它，测试过程中发现 字符匹配的时候 ‘a’ 是可以匹配的，a+也是可以的，[[:w:]]也可以匹配任意字符，但[[:w:]]+就只能匹配一个字符，+号貌似不起作用了。所以后来就干脆放弃了这伟大的C++正则，如果有大牛知道这里面我错在哪里了，真心感谢你告诉我一下，谢谢。

3、boost regex

/* write by xingming
 * for:test boost regex
 * time:2012年10月23日11:35:33
 * */

#include <iostream>
#include <string>
#include <sys/time.h>#include "boost/regex.hpp"using namespace std;
using namespace boost;
const int times = 10000000;int main()
{
    regex  pattern("finance\\.sina\\.cn|stock1\\.sina\\.cn|3g\\.sina\\.com\\.cn.*(channel=finance|_finance$|ch=stock|/stock/)|dp\\.s
ina\\.cn/.*ch=9&");
    cout<<"input strings:"<<endl;
    timeval start,end;
    gettimeofday(&start,NULL);
    string input[] = {"finance.sina.cn/google.com/baidu.com.google.sina.cn",                      "3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo",                      "http://3g.sina.com.cn/google.baiduchannel=financegogo"};    for(int i = 0 ;i < times; ++ i)
    {        for(int j = 0 ; j < 3;++j)
        {            //if(input=="quit")
            //  break;            //cout<<"string:'"<<input<<'\''<<endl;
            cmatch what;            if(regex_search(input[j].c_str(),what,pattern)) ;            //  cout<<"OK!"<<endl;            else ;            //  cout<<"error!"<<endl;
        }
    }
    gettimeofday(&end,NULL);
    uint time = (end.tv_sec-start.tv_sec)*1000000 + end.tv_usec - start.tv_usec;
    cout<<time/1000000<<" s and "<<time%1000000<<" us."<<endl;    return 0 ;
}

boost正则不用多说了，要是出去问，C++正则怎么用啊？那90%的人会推荐你用boost正则，他实现起来方便，正则库也很强大，资料可以找到很多，所以我也不在阐述了。

4、对比情况

总结：

C regex的速度让我吃惊啊，相比boost的速度，C regex的速度几乎要快上3倍，看来正则引擎的选取上应该有着落了！

上面的表格中我用到的正则和字符串是一样的（在代码中C regex的被我加长了），速度相差几乎有3倍，C的速度大约在30+w/s , 而boost的速度基本在15-w/s ,所以对比就出来了！

在这里Cregex的速度很让我吃惊了已经，但随后我的测试更让我吃惊。

我以前在.net正则方面接触的比较多，就写了一个.net版本的作为对比

using System;using System.Collections.Generic;using System.Linq;using System.Text;using System.Text.RegularExpressions;namespace 平常测试
{    class Program
    {        static int times = 1000000;        static void Main(string[] args)
        {
            Regex reg = new Regex(@"(?>finance\.sina\.cn|stock1\.sina\.cn|3g\.sina\.com\.cn.*(?:channel=finance|_finance$|ch=stock|/stock/)|dp.sina.cn/.*ch=9&)",RegexOptions.Compiled);            string[] str = new string[]{@"finance.sina.cn/google.com/baidu.com.google.sina.cn",
                    @"3g.com.sina.cn.google.com.baidu.com.sina.egooooooooo",
                    @"http://3g.sina.com.cn/google.baiduchannel=financegogo"};            int tt = 0;
            DateTime start = DateTime.Now;            for (int i = 0; i < times; ++i)
            {                for (int j = 0; j < 3; ++j)
                {                    if (reg.IsMatch(str[j])) ;                        //Console.WriteLine("OK!");
                    //else
                        //Console.WriteLine("Error!");
                }
            }
            DateTime end = DateTime.Now;
            Console.WriteLine((end - start).TotalMilliseconds);
            Console.WriteLine(tt);
            Console.ReadKey();
        }
    }
}

结果发现，正则在不进行RegexOptions.Compiled 的时候，速度和C regex的基本一样，在编译只会，速度会比C regex快上一倍，这不由得让我对微软的那群人的敬畏之情油然而生啊。

但随后我去查看了一下该博客上面C regex的描述，发现我可以再申明正则的时候加入编译模式，随后我加入了上面代码里的 REG_NOSUB（在先前测试的时候是没有加入的），结果让我心理面很激动的速度出来了，C regex 匹配速度竟然达到了 300+w/s，也就是比原来的（不加入REG_NOSUB)的代码快了将近10倍。

之后我变换了匹配的字符串，将其长度生了一倍，达到每个100字符左右（代码里面所示），匹配速度就下来了，但是也能达到 100w/s左右，这肯定满足我们现在的需求了。

结果很显然，当然会选择C regex了。