c++ - 使用 Boost::Regex 从文本文件中提取子字符串

Question

所以我有许多不同文本文件的电子邮件，我需要从布局不一致的所述文件中提取它们。我正在使用 Boost::Regex 和 Boost::File-system 尝试读取它们，然后提取电子邮件地址。但是，它似乎无法查找或提取电子邮件。它可以匹配简单的单词，例如 email 或字母 a。但它似乎在实际读取文件时遇到了问题。

一个最小的例子如下(不包含):

#include <fstream>
#include <iostream>
#include <sstream>
#include <string>

#include <boost/regex.hpp>
#include <boost/foreach.hpp>
#include <boost/filesystem.hpp>


namespace fs = boost::filesystem;   // File system is namespace.

int main() {
    boost::regex pattern("\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b");  // Email regex to match.
    boost::smatch result;

    fs::path targetDir(boost::filesystem::current_path());  // Look in this folder.
    fs::directory_iterator it(targetDir), eod;      // Iterate over all the files in said directory.
    std::string line;
    BOOST_FOREACH(fs::path const &p, std::make_pair(it, eod)) { // Actual iteration.
        if (fs::is_regular_file(p)) {   // What this does is checks if it's a normal file. 
            std::ifstream infile(p.string());   // Read file line by line. 
            if (p.string().substr(p.string().length() - 3) != "txt") {
                continue;   // Skip to next file if not text file. 
            }
            while (std::getline(infile, line)) {
                bool isMatchFound = boost::regex_search(line, result, pattern);
                if (isMatchFound)
                {
                    for (unsigned int i = 0; i < result.size(); i++)
                    {
                        std::cout << result[i] << std::endl;
                    }
                }
            }
            infile.close();
        }    
    }
    return 0;
}

我不确定为什么它不起作用:电子邮件示例如下:

"radafwair@dasfsn.com","S"
"eliseoaafwafwlcon@mafwsn.com","R"
jjafwpawwafa2@csaot.net<br>

以及电子邮件在文本文件中的各种其他方式，我如何让这个正则表达式匹配？

Answer 1

正则表达式有缺陷。 \b 表示其他含义:

此外，\. 是非法的转义序列，因此您的编译器应该已经发出警告。 (你需要 \\.)

最后，\b 我认为是 Perl 兼容的正则表达式。哦，你不只是想要大写的电子邮件，对吧。所以让我们修复它:

boost::regex pattern("\\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\\.[A-Z]{2,}\\b",
    boost::regex_constants::perl | boost::regex_constants::icase);  // Email regex to match.

也许使用 rfc822 解析器库会好一点:)

这是一段干净的代码:

#include <boost/filesystem.hpp>
#include <boost/range/iterator_range.hpp>
#include <boost/regex.hpp>
#include <fstream>
#include <iostream>
namespace fs = boost::filesystem;

int main() {
    boost::regex pattern("\\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\\.[A-Z]{2,}\\b",
        boost::regex_constants::perl | boost::regex_constants::icase);  // Email regex to match.
    boost::smatch result;
    std::string line;

    for (fs::path p : boost::make_iterator_range(fs::directory_iterator("."), {})) {
        if (!fs::is_regular_file(p) || p.extension() != ".txt")
            continue;

        std::cerr << "Reading " << p << "\n";

        std::ifstream infile(p.string()); // Read file line by line
        while (std::getline(infile, line)) {
            if (boost::regex_search(line, result, pattern)) {
                std::cout << "\t" << result.str() << "\n";
            }
        }
    }    
}

注意事项:

• 如果您使用 Boost 文件系统，您将不会使用 extension() 访问函数来进行有缺陷的字符串操作
• 尽可能减少条件的嵌套
• 没有多余的文件关闭(这是 C++，文件在超出范围时关闭)
• 不要为子匹配组而烦恼，因为您不使用它们
• 打印匹配的 str() 值

在我的测试文件夹中打印(包括 stderr):

Reading "./input.txt"
    radafwair@dasfsn.com
    eliseoaafwafwlcon@mafwsn.com
    jjafwpawwafa2@csaot.net
Reading "./output.txt"
Reading "./big.txt"
Reading "./CMakeLists.txt"
Reading "./CMakeCache.txt"