软件开发|编程技术|编程代码|编程入门先学什么—程序设计语言

C++中三种正则表达式优劣比较

工作需要用到C++中的正则表达式,有比较才有伤害!看看哪种伤害更大吧!


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;

couttime/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(cinbuf)

{

printf("*******\n%s\n********\n",buf.c_str());

if(buf == "quit")

{

printf("quit just now!\n");

break;

}

match_resultsstring::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;

couttime/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。