每天一小步——C语言中嵌入正则表达式

标准的C和C++都不支持正则表达式，但有一些函数库可以辅助C/C++程序员完成这一功能，其中最著名的当数Philip Hazel的Perl-Compatible Regular Expression库，许多Linux发行版本都带有这个函数库。

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：

1. 编译正则表达式 regcomp()
2. 匹配正则表达式 regexec()
3. 释放正则表达式 regfree()

下边是对三个函数的详细解释

1、int regcomp (regex_t *compiled, const char *pattern, int cflags)
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。 　

参数说明：
①regex_t 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。
②pattern 是指向我们写好的正则表达式的指针。
③cflags 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。
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。

参数说明：
①compiled 是已经用regcomp函数编译好的正则表达式。
②string 是目标文本串。
③nmatch 是regmatch_t结构体数组的长度。
④matchptr regmatch_t类型的结构体数组，存放匹配文本串的位置信息。
⑤eflags 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；
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。

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。

参数说明：
①errcode 是由regcomp 和 regexec 函数返回的错误代号。
②compiled 是已经用regcomp函数编译好的正则表达式，这个值可以为NULL。
③buffer 指向用来存放错误信息的字符串的内存空间。
④length 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);

下边是一个匹配Email例子，按照上面的三步就可以。

下面的程序负责从命令行获取正则表达式，然后将其运用于从标准输入得到的每行数据，并打印出匹配结果。

#include <stdio.h>#include <string.h>#include <sys/types.h>#include <regex.h>/* 取子串的函数 */static char *substr(const char *str,unsigned start,unsigned end){        unsigned n=end-start;        static char stbuf[256];        strncpy(stbuf,str+start,n);        stbuf[n]=0;        return stbuf;}/* 主程序 */int main(int argc,char **argv){        char *pattern;        int x,z,lno=0,cflags=0;        char ebuf[128],lbuf[256];        regex_t reg;        regmatch_t pm[10];        const size_t nmatch=10;/* 编译正则表达式*/        pattern=argv[1];        z=regcomp(®,pattern,cflags);        if(z!=0){                regerror(z,®,ebuf,sizeof(ebuf));                fprintf(stderr,"%s:pattern '%s' \n",ebuf,pattern);                return 1;        }        /* 逐行处理输入的数据 */        while(fgets(lbuf,sizeof(lbuf),stdin)){                ++lno;                if((z=strlen(lbuf))>0&&lbuf[z-1]=='\n')                        lbuf[z-1]=0;                /* 对每一行应用正则表达式进行匹配 */                z=regexec(®,lbuf,nmatch,pm,0);                if(z==REG_NOMATCH)                        continue;                else if(z!=0){                        regerror(z,®,ebuf,sizeof(ebuf));                        fprintf(stderr,"%s: regcom('%s')\n",ebuf,lbuf);                        return 2;                }                /* 输出处理结果 */                for(x=0;x<nmatch&&pm[x].rm_so!=-1;++x){                        if(!x)                                printf("%04d: %s\n",lno,lbuf);                        printf("$%d='%s'\n",x,substr(lbuf,pm[x].rm_so,pm[x].rm_eo));                }        }        /* 释放正则表达式 */        regfree(®);        return 0;}                                                       

执行下面的命令可以编译并执行该程序：
$ gcc c_regex_test1.c 
$ ./a.out 'regex[a-z]*' <c_regex_test1.c 
0004: #include <regex.h>
$0='regex'
0021: regex_t reg;
$0='regex'
0038: z=regexec(&reg,lbuf,nmatch,pm,0);
$0='regexec'


小结：对那些需要进行复杂数据处理的程序来说，正则表达式无疑是一个非常有用的工具。本文重点在于阐述如何在C语言中利用正则表达式来简化字符串处理，以便在数据处理方面能够获得与Perl语言类似的灵活性。