C语言正则表达式

Posted 2022-10-09 wanghao-boke

POSIX规定了正则表达式的C语言库函数，详见regex(3)。我们已经学习了很多C语言库函数的用法，读者应该具备自己看懂man手册的能力了。本章介绍了正则表达式在grep、sed、awk中的用法，学习要能够举一反三，请读者根据regex(3)自己总结正则表达式在C语言中的用法，写一些简单的程序，例如验证用户输入的IP地址或email地址格式是否正确。

C语言处理正则表达式常用的函数有regcomp()、regexec()、regfree()和regerror()，一般分为三个步骤，如下所示：

C语言中使用正则表达式一般分为三步：

编译正则表达式 regcomp()

匹配正则表达式 regexec()

释放正则表达式 regfree()

下边是对三个函数的详细解释

这个函数把指定的正则表达式pattern编译成一种特定的数据格式compiled，这样可以使匹配更有效。函数regexec 会使用这个数据在目标文本串中进行模式匹配。执行成功返回０。

int regcomp (regex_t *compiled, const char *pattern, int cflags)
/*
是一个结构体数据类型，用来存放编译后的正则表达式，它的成员re_nsub 用来存储正则表达式中的子正则表达式的个数，子正则表达式就是用圆括号包起来的部分表达式。
*/
    regex_t 
    pattern     //是指向我们写好的正则表达式的指针。
    cflags         //有如下4个值或者是它们或运算(|)后的值：
    REG_EXTENDED     //以功能更加强大的扩展正则表达式的方式进行匹配。
    REG_ICASE         //匹配字母时忽略大小写。
    REG_NOSUB         //不用存储匹配后的结果,只返回是否成功匹配。如果设置该标志位，那么在regexec将忽略nmatch和pmatch两个参数。
    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。

当我们编译好正则表达式后，就可以用regexec 匹配我们的目标文本串了，如果在编译正则表达式的时候没有指定cflags的参数为REG_NEWLINE，则默认情况下是忽略换行符的，也就是把整个文本串当作一个字符串处理。

执行成功返回０。

regmatch_t 是一个结构体数据类型，在regex.h中定义：

typedef struct 
    regoff_t rm_so;
    regoff_t rm_eo;
 regmatch_t;

成员rm_so 存放匹配文本串在目标串中的开始位置，rm_eo 存放结束位置。通常我们以数组的形式定义一组这样的结构。因为往往我们的正则表达式中还包含子正则表达式。数组0单元存放主正则表达式位置，后边的单元依次存放子正则表达式位置。

int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr[], int eflags)
compiled     //是已经用regcomp函数编译好的正则表达式。
string     //    是目标文本串。
nmatch     //    是regmatch_t结构体数组的长度。
matchptr     regmatch_//t类型的结构体数组，存放匹配文本串的位置信息。
eflags 有两个值:
REG_NOTBOL //让特殊字符^无作用
REG_NOTEOL //让特殊字符＄无作用

当我们使用完编译好的正则表达式后，或者要重新编译其他正则表达式的时候，我们可以用这个函数清空compiled指向的regex_t结构体的内容，请记住，如果是重新编译的话，一定要先清空regex_t结构体。

void regfree (regex_t *compiled)

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。

size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)

errcode     //是由regcomp 和 regexec 函数返回的错误代号。
compiled     //是已经用regcomp函数编译好的正则表达式，这个值可以为NULL。
buffer         //指向用来存放错误信息的字符串的内存空间。
length         //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。

例如： size_t length = regerror (errcode, compiled, NULL, 0);

测试用例：

#include <sys/types.h>
#include <regex.h>
#include <stdio.h>

int main(int argc, char ** argv)

    if (argc != 3) 
        printf("Usage: %s RegexString Text\n", argv[0]);
        return 1;
    
    const char * pregexstr = argv[1];
    const char * ptext = argv[2];
    regex_t oregex;
    int nerrcode = 0;
    char szerrmsg[1024] = 0;
    size_t unerrmsglen = 0;
    if ((nerrcode = regcomp(&oregex, pregexstr, REG_EXTENDED|REG_NOSUB)) == 0) 
        if ((nerrcode = regexec(&oregex, ptext, 0, NULL, 0)) == 0)    
            printf("%s matches %s\n", ptext, pregexstr);
            regfree(&oregex);
            return 0;
        
    
    unerrmsglen = regerror(nerrcode, &oregex, szerrmsg, sizeof(szerrmsg));
    unerrmsglen = unerrmsglen < sizeof(szerrmsg) ? unerrmsglen : sizeof(szerrmsg) - 1;
    szerrmsg[unerrmsglen] = ‘\0‘;
    printf("ErrMsg: %s\n", szerrmsg);
    regfree(&oregex);

    return 1;

匹配网址：

./a.out "http:\/\/www\..*\.com" "http://www.taobao.com"

./a.out "^[a-zA-Z0-9]+@[a-zA-Z0-9]+.[a-zA-Z0-9]+" "[e-mail]"
./a.out "\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*" "[e-mail]"
注：\w匹配一个字符，包含下划线

除了gnu提供的函数外，还常用PCRE处理正则，全称是Perl Compatible Regular Ex-pressions。从名字我们可以看出PCRE库是与Perl中正则表达式相兼容的一个正则表达式库。PCRE是免费开源的库，它是由C语言实现的，这里是它的官方主页：http://www.pcre.org/，感兴趣的朋友可以在这里了解更多的内容。 要得到PCRE库，可以从这里下载：http://sourceforge.net/projects/pcre/files/

PCRE++是一个对PCRE库的C++封装，它提供了更加方便、易用的C++接口。这里是它的官方主页：http://www.daemon.de/PCRE，感兴趣的朋友可以在这里了解更多的内容。 要得到PCRE++库，可以从这里下载：http://www.daemon.de/PcreDownload

另外c++中常用 boost regex。