正則表示式之C程式中使用正則
POSIX規定了正則表示式的C語言庫函式,詳見regex(3)。我們已經學習了很多C語言庫函式的用法,讀者應該具備自己看懂man手冊的能力了。本章介紹了正則表示式在grep、sed、awk中的用法,學習要能夠舉一反三,請讀者根據regex(3)自己總結正則表示式在C語言中的用法,寫一些簡單的程式,例如驗證使用者輸入的IP地址或email地址格式是否正確。
C語言處理正則表示式常用的函式有regcomp()、regexec()、regfree()和regerror(),一般分為三個步驟,如下所示:
C語言中使用正則表示式一般分為三步:
編譯正則表示式 regcomp() 匹配正則表示式 regexec() 釋放正則表示式 regfree()
下邊是對三個函式的詳細解釋
這個函式把指定的正則表示式pattern編譯成一種特定的資料格式compiled,這樣可以使匹配更有效。函式regexec 會使用這個資料在目標文字串中進行模式匹配。執行成功返回0。
int regcomp (regex_t *compiled, const char *pattern, int cflags) regex_t 是一個結構體資料型別,用來存放編譯後的正則表示式,它的成員re_nsub 用來儲存正則表示式中的子正則表示式的個數, 子正則表示式就是用圓括號包起來的部分表示式。 pattern 是指向我們寫好的正則表示式的指標。 cflags 有如下4個值或者是它們或運算(|)後的值: REG_EXTENDED 以功能更加強大的擴充套件正則表示式的方式進行匹配。 REG_ICASE 匹配字母時忽略大小寫。 REG_NOSUB 不用儲存匹配後的結果,只返回是否成功匹配。如果設定該標誌位,那麼在regexec將忽略nmatch和pmatch兩個引數。 REG_NEWLINE 識別換行符,這樣'$'就可以從行尾開始匹配,'^'就可以從行的開頭開始匹配。
當我們編譯好正則表示式後,就可以用regexec 匹配我們的目標文字串了,如果在編譯正則表示式的時候沒有指定cflags的引數為REG_NEWLINE,則預設情況下是忽略換行符的,也就是把整個文字串當作一個字串處理。
執行成功返回0。
regmatch_t 是一個結構體資料型別,在regex.h中定義:
typedef struct {
regoff_t rm_so;
regoff_t rm_eo;
} regmatch_t;
成員rm_so 存放匹配文字串在目標串中的開始位置,rm_eo 存放結束位置。通常我們以陣列的形式定義一組這樣的結構。因為往往我們的正則表示式中還包含子正則表示式。陣列
int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr[], int eflags)
compiled 是已經用regcomp函式編譯好的正則表示式。
string 是目標文字串。
nmatch 是regmatch_t結構體陣列的長度。
matchptr regmatch_t型別的結構體陣列,存放匹配文字串的位置資訊。
eflags 有兩個值:
REG_NOTBOL 讓特殊字元^無作用
REG_NOTEOL 讓特殊字元$無作用
當我們使用完編譯好的正則表示式後,或者要重新編譯其他正則表示式的時候,我們可以用這個函式清空compiled指向的regex_t結構體的內容,請記住,如果是重新編譯的話,一定要先清空regex_t結構體。
void regfree (regex_t *compiled)
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。
size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)
errcode 是由regcomp 和 regexec 函式返回的錯誤代號。
compiled 是已經用regcomp函式編譯好的正則表示式,這個值可以為NULL。
buffer 指向用來存放錯誤資訊的字串的記憶體空間。
length 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。
例如: size_t length = regerror (errcode, compiled, NULL, 0);
測試用例:
#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;
}
匹配網址:
./a.out "http:\/\/www\..*\.com" "http://www.taobao.com"
匹配郵箱:
./a.out "^[a-zA-Z0-9][email protected][a-zA-Z0-9]+.[a-zA-Z0-9]+" "[email protected]"
./a.out "\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*" "[email protected]"
注:\w匹配一個字元,包含下劃線