C++ 中三種正規表示式比較

pmars的部落格發表於2016-12-31
C++

工作需要用到C++中的正規表示式，所以就研究了以上三種正則。

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 ;
}

使用正規表示式可簡單的分成幾步：

  • 1.編譯正規表示式
  • 2.執行匹配
  • 3.釋放記憶體

首先，編譯正規表示式

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

reqcomp()函式用於把正規表示式編譯成某種格式，可以使後面的匹配更有效。

preg： regex_t結構體用於存放編譯後的正規表示式；

regex： 指向正規表示式指標；

cflags：編譯模式

共有如下四種編譯模式：

REG_EXTENDED：使用功能更強大的擴充套件正規表示式

REG_ICASE：忽略大小寫

REG_NOSUB：不用儲存匹配後的結果

REG_NEWLINE：識別換行符，這樣‘$’就可以從行尾開始匹配，‘^’就可以從行的開頭開始匹配。否則忽略換行符，把整個文字串當做一個字串處理。

其次，執行匹配

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

preg： 已編譯的正規表示式指標；

string：目標字串；

nmatch:pmatch陣列的長度；

pmatch：結構體陣列，存放匹配文字串的位置資訊；

eflags：匹配模式

共兩種匹配模式：

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)

最後，釋放記憶體

void regfree(regex_t *preg);

當使用完編譯好的正規表示式後，或者需要重新編譯其他正規表示式時，一定要使用這個函式清空該變數。

其他，處理錯誤

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

當執行regcomp 或者regexec 產生錯誤的時候，就可以呼叫這個函式而返回一個包含錯誤資訊的字串。

errcode： 由regcomp 和 regexec 函式返回的錯誤代號。

preg： 已經用regcomp函式編譯好的正規表示式，這個值可以為NULL。

errbuf： 指向用來存放錯誤資訊的字串的記憶體空間。

errbuf_size： 指明buffer的長度，如果這個錯誤資訊的長度大於這個值，則regerror 函式會自動截斷超出的字串，但他仍然會返回完整的字串的長度。所以我們可以用如下的方法先得到錯誤字串的長度。

當然我在測試的時候用到的也比較簡單，所以就直接用了，速度一會再說！

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++這個真心不想多說它，測試過程中發現 字元匹配的時候 ‘a’ 是可以匹配的，a+也是可以的，[[:w:]]也可以匹配任意字元，但[[:w:]]+就只能匹配一個字元，+號貌似不起作用了。所以後來就乾脆放棄了這偉大的C++正則，如果有大牛知道這裡面我錯在哪裡了，真心感謝你告訴我一下，謝謝。

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正則不用多說了，要是出去問，C++正則怎麼用啊？那90%的人會推薦你用boost正則，他實現起來方便，正則庫也很強大，資料可以找到很多，所以我也不在闡述了。

4、對比情況

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

總結：

C regex的速度讓我吃驚啊，相比boost的速度，C regex的速度幾乎要快上3倍，看來正則引擎的選取上應該有著落了！

上面的表格中我用到的正則和字串是一樣的（在程式碼中C regex的被我加長了），速度相差幾乎有3倍，C的速度大約在30+w/s , 而boost的速度基本在15-w/s ,所以對比就出來了！

在這裡Cregex的速度很讓我吃驚了已經，但隨後我的測試更讓我吃驚。

我以前在.net正則方面接觸的比較多，就寫了一個.net版本的作為對比

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Text.RegularExpressions;

namespace 平常測試
{
    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();
        }
    }
}

結果發現，正則在不進行RegexOptions.Compiled 的時候，速度和C regex的基本一樣，在編譯只會，速度會比C regex快上一倍，這不由得讓我對微軟的那群人的敬畏之情油然而生啊。

但隨後我去檢視了一下該部落格上面C regex的描述，發現我可以再申明正則的時候加入編譯模式，隨後我加入了上面程式碼裡的 REG_NOSUB（在先前測試的時候是沒有加入的），結果讓我心理面很激動的速度出來了，C regex 匹配速度竟然達到了 300+w/s，也就是比原來的（不加入REG_NOSUB)的程式碼快了將近10倍。

之後我變換了匹配的字串，將其長度生了一倍，達到每個100字元左右（程式碼裡面所示），匹配速度就下來了，但是也能達到 100w/s左右，這肯定滿足我們現在的需求了。

結果很顯然，當然會選擇C regex了。

相關文章