c 使用正则表达式

た入场券 2022-05-14 06:53 222阅读 0赞

据说一个好的程序员是会使用DB和Regular Expression的程序员，可见两者是多么重要。正则表达式是能极大地提高工作效率的工具，使用过Linux下各种具备RE特性的工具的人一定对此深有感触。很多语言都支持RE，用的最多的当然是脚本，其中以perl最盛。不过，用C语言来用RE不是很多见，但是有时候也很有用，我最近也是看到别人说道这个，所以搜了一些资料加上自己的体会来说一说RE在C语言里的应用。C语言本身不具备RE特性，但是有很多库，在Linux下你可以很方便的使用regex.h提供的库。我先贴一段代码展示一下RE在C语言里是怎么用的

<table> 
 <tbody> 
 <tr> 
 <td> <code>&nbsp; 1&nbsp;#include&lt;stdio.h&gt; &nbsp;&nbsp;2&nbsp;#include&lt;sys/types.h&gt; &nbsp;&nbsp;3&nbsp;#include&lt;regex.h&gt; &nbsp;&nbsp;4&nbsp;#include&lt;memory.h&gt; &nbsp;&nbsp;5&nbsp;#include&lt;stdlib.h&gt; &nbsp;&nbsp;6&nbsp; &nbsp;&nbsp;7&nbsp;int main(){ &nbsp;&nbsp;8&nbsp; &nbsp;&nbsp;9&nbsp;char&nbsp;*bematch&nbsp;=&nbsp;"hhhericchd@gmail.com"; &nbsp;10&nbsp;char&nbsp;*pattern&nbsp;=&nbsp;"h{3,10}(.*)@.{5}.(.*)"; &nbsp;11&nbsp;char errbuf[1024]; &nbsp;12&nbsp;char match[100]; &nbsp;13 regex_t reg; &nbsp;14&nbsp;int err,nm&nbsp;= 10; &nbsp;15 regmatch_t pmatch[nm]; &nbsp;16&nbsp; &nbsp;17&nbsp;if(regcomp(&amp;reg,pattern,REG_EXTENDED)&nbsp;&lt; 0){ &nbsp;18 regerror(err,&amp;reg,errbuf,sizeof(errbuf)); &nbsp;19&nbsp;printf("err:%s\n",errbuf); &nbsp;20&nbsp;} &nbsp;21&nbsp; &nbsp;22 err&nbsp;= regexec(&amp;reg,bematch,nm,pmatch,0); &nbsp;23&nbsp; &nbsp;24&nbsp;if(err&nbsp;== REG_NOMATCH){ &nbsp;25&nbsp;printf("no match\n"); &nbsp;26&nbsp;exit(-1); &nbsp;27&nbsp;}else&nbsp;if(err){ &nbsp;28 regerror(err,&amp;reg,errbuf,sizeof(errbuf)); &nbsp;29&nbsp;printf("err:%s\n",errbuf); &nbsp;30&nbsp;exit(-1); &nbsp;31&nbsp;} &nbsp;32&nbsp; &nbsp;33&nbsp;for(int i=0;i&lt;10&nbsp;&amp;&amp; pmatch[i].rm_so!=-1;i++){ &nbsp;34&nbsp;int len&nbsp;= pmatch[i].rm_eo-pmatch[i].rm_so; &nbsp;35&nbsp;if(len){ &nbsp;36&nbsp;memset(match,'\0',sizeof(match)); &nbsp;37&nbsp;memcpy(match,bematch+pmatch[i].rm_so,len); &nbsp;38&nbsp;printf("%s\n",match); &nbsp;39&nbsp;} &nbsp;40 } &nbsp;41 return 0; &nbsp;42 }</code> </td> 
 </tr> 
 </tbody> 
</table>

我打算看看一个邮件地址是否匹配我所提供的pattern。这个邮件地址是  
hhhericchd@gmail.com  patern为  
`"h{3,10}(.*)@.{5}.(.*)" 我们希望匹配一个以3个h字符接着为任意字符串（可以为空）直到遇到一个@，然后接5个任意的字符和一个.号，最后再接一个字符串（可以为空），我们运行得到的结果是 hhhericchd@gmail.com ericchd com 我们发现，这个邮件地址被匹配了，第一行输出了，第二行和第三行分别输出的是我们希望得到的匹配的一部分，也就是在pattern中用括号括起来的部分。在这里我们还发现，在C语言里使用RE表达式的时候和通常的UNIX一般的RE表达式有区别： 第一、\{\}和需要改成{}和(),因为在C语言反斜杠是转移字符用的 第二、.不需要转义，不想UNIX的RE那样需要\.，但是?和*我没有找到该怎么用 下面贴上对以上所用函数的一些解释`  
regex的使用  
需要用到以下几个函数。（定义在/usr/include/regex.h文件中）   
int regcomp (regex\_t \*compiled, const char \*pattern, int cflags)  int regexec (regex\_t \*compiled, char \*string, size\_t nmatch, regmatch\_t matchptr \[\], int  eflags)    
void regfree (regex\_t \*compiled)    
size\_t regerror (int errcode, regex\_t \*compiled, char \*buffer, size\_t length)   
1.int regcomp (regex\_t \*compiled, const char \*pattern, int cflags)    
  
这个函数把指定的规则表达式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。    
  
regex\_t 是一个结构体数据类型，用来存放编译后的规则表达式，它的成员re\_nsub 用来存储规则表达式中的子 规则表达式的个数，子规则表达式就是用圆括号包起来的部分表达式。    
  
pattern 是指向我们写好的规则表达式的指针。    
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规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。    
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。    
  
2. int regexec (regex\_t \*compiled, char \*string, size\_t nmatch, regmatch\_t matchptr \[\], int eflags)    
  
当我们编译好规则表达式后，就可以用regexec 匹配我们的目标文本串了，如果在编译规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，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。因为往往我们的规则表达式中还包含子规则表达式。数组0单元存放主规则表达式位置，后边的单元依次存放子规则表达式位置。    
  
compiled 是已经用regcomp函数编译好的规则表达式。    
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 按我的理解是如果指定了这个值，那么'^'就不会从我们的目标串开始匹配。总之我到现在还不是很明白这个参数的意义，    
原文如下：    
If this bit is set, then the beginning-of-line operator doesn't match the beginning of the   
string (presumably  because it's not the beginning of a line).If not set, then the beginning-of-line operator   
does match the beginning  of the string.    
REG\_NOTEOL 和上边那个作用差不多，不过这个指定结束end of line。    
  
3. void regfree (regex\_t \*compiled)    
  
当我们使用完编译好的规则表达式后，或者要重新编译其他规则表达式的时候，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。    
  
4. size\_t regerror (int errcode, regex\_t \*compiled, char \*buffer, size\_t length)    
  
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 是由regcomp 和 regexec 函数返回的错误代号。    
compiled 是已经用regcomp函数编译好的规则表达式，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。    
size\_t length = regerror (errcode, compiled, NULL, 0);    
  
regex虽然简单易用，但对正则表达式的支持不够强大，中文处理也有问题（经过试验可以引用vi的一些正则表达式编写例子），PCRE是另一个选择PCRE  （[http://www.pcre.org][http_www.pcre.org]）  
还有一份不错的资料http://midatl.radford.edu/docs/C/Pattern-Matching.html\#Pattern-Matching

[http_www.pcre.org]: http://www.pcre.org/