C++ 中三种正则表达式比较

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 argcchar** 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 endstart;      gettimeofday(&startNULL);      regcomp(&regpatternREG_EXTENDED|REG_NOSUB);      for(int i = 0 ; i < times; ++i)      {          for(int j = 0 ; j < 3; ++j)          {              z = regexec(&regbuf[j]nmatchpmREG_NOTBOL);  /*          if(z==REG_NOMATCH)                  printf("no match\n");              else                  printf("ok\n");                  */          }      }      gettimeofday(&endNULL);      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 argcchar** 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(bufresultpattern);          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 startend;      gettimeofday(&startNULL);      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()whatpattern)) ;              //  cout<<"OK!"<<endl;              else ;              //  cout<<"error!"<<endl;          }      }      gettimeofday(&endNULL);      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

%e5%8e%bb%e5%8e%bb%e5%8e%bb

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。

ript type="text/javascript">
分享这篇文章:
收藏+0