C语言的正则表达式 regex

正则表达式在编程中的应用是非常广泛的，在C语言中，同样有着正则表达式的库，我们使用regex.h这个头说包含的函数来完成我们的需要：
先看一段例子：

#include <regex.h>
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

char *sub_string(char *str, int start, int end)
{
static char * st = NULL;
int i = start, j = 0;
st ? free(st) : 0;
st = (char *)malloc(sizeof(char) * (end - start + 1));
while(i < end){
st[j++] = str[i++];
}
st[j] = '\0';
return st;
}

int main()
{
regmatch_t pm[4];
regex_t preg;
char *pattern = "(href\\ *=\\ *\\\")([^\\\"]*)(\\\")"; //匹配串
char *file = "<a href=\"http://www.awaysoft.com\">Awaysoft.com</a><a href=\"http://www.awaysoft2.com\">Awaysoft2.com</a><a href=\"http://www.awaysoft3.com\">Awaysoft.com3</a>", *st; //被匹配串

if (regcomp(&preg, pattern, REG_EXTENDED |REG_NEWLINE) != 0){ //编译正则表达式
fprintf(stderr, "Cannot regex compile!");
return -1;
}
st = file;

while (st && regexec(&preg, st, 4, pm, REG_NOTEOL) != REG_NOMATCH){ //开始匹配
printf("%s\n",sub_string(st, pm[2].rm_so, pm[2].rm_eo));
st = &st[pm[3].rm_eo];//转到下一个匹配的初始位置
}
return 0;
}

这段程序的运行结果是：

http://www.awaysoft.com
http://www.awaysoft2.com
http://www.awaysoft3.com

要注意的是regexec仅仅能进行一次匹配，要多次匹配需要用循环！
所以，我用了一个while语句，pm这个数组表示的是分组数目，不是匹配个数。看到正则表达式中，有3组()，那么就代表有3+1个分组，+1是指被匹配的全部字符串。用上面给的例子，那么pm就是4,其中pm[0] == “href=\”http://www.awaysoft.com\””,pm[1] == “href=\””,pm[2] == “http://www.awaysoft.com”, pm[3] = “\””;
st = &st[pm[3].rm_eo];这句是将指针移动到下一次匹配开始的字符。

附：
正则表达式快速入门

下面，转了一篇regex的详细用法：
编译正则表达式

为了提高效率，在将一个字符串和正则表达式进行比较之前，首先要用regcomp()函数对他进行编译，将其转化为regex_t结构：

int regcomp(regex_t *preg, const char *regex, int cflags);

参数regex是个字符串，他代表将要被编译的正则表达式；参数preg指向一个声明为regex_t的数据结构，用来保存编译结果；参数cflags决定了正则表达式该怎么被处理的细节。

如果函数regcomp()执行成功，并且编译结果被正确填充到preg中后，函数将返回0，所有其他的返回结果都代表有某种错误产生。

匹配正则表达式

一旦用regcomp()函数成功地编译了正则表达式，接下来就能调用regexec()函数完成模式匹配：

int regexec(const regex_t *preg, const char *string, size_t nmatch,regmatch_t pmatch[], int eflags);
typedef struct {
regoff_t rm_so;
regoff_t rm_eo;
} regmatch_t;

参数preg指向编译后的正则表达式，参数string是将要进行匹配的字符串，而参数nmatch和pmatch则用于把匹配结果返回给调用程式，最后一个参数eflags决定了匹配的细节。

在调用函数regexec()进行模式匹配的过程中，可能在字符串string中会有多处和给定的正则表达式相匹配，参数pmatch就是用来保存这些匹配位置的，而参数nmatch则告诉函数regexec()最多能把多少个匹配结果填充到pmatch数组中。当regexec()函数成功返回时，从string+pmatch[0].rm_so到string+pmatch[0].rm_eo是第一个匹配的字符串，而从string+pmatch[1].rm_so到string+pmatch[1].rm_eo，则是第二个匹配的字符串，依此类推。

释放正则表达式

无论什么时候，当不再需要已编译过的正则表达式时，都应该调用函数regfree()将其释放，以免产生内存泄漏。

void regfree(regex_t *preg);

函数regfree()不会返回所有结果，他仅接收一个指向regex_t数据类型的指针，这是之前调用regcomp()函数所得到的编译结果。

如果在程式中针对同一个regex_t结构调用了多次regcomp()函数，POSIX标准并没有规定是否每次都必须调用regfree()函数进行释放，但建议每次调用regcomp()函数对正则表达式进行编译后都调用一次regfree()函数，以尽早释放占用的存储空间。

报告错误信息

如果调用函数regcomp()或regexec()得到的是个非0的返回值，则表明在对正则表达式的处理过程中出现了某种错误，此时能通过调用函数regerror()得到周详的错误信息。

size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size);

参数errcode是来自函数regcomp()或regexec()的错误代码，而参数preg则是由函数regcomp()得到的编译结果，其目的是把格式化消息所必须的上下文提供给regerror()函数。在执行函数regerror()时，将按照参数errbuf_size指明的最大字节数，在errbuf缓冲区中填入格式化后的错误信息，同时返回错误信息的长度。

应用正则表达式

最后给出一个具体的实例，介绍怎么在C语言程式中处理正则表达式。

#include <regex.h>
#include <stdio.h>
#include <string.h>
#include <stdlib.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;
}
/* 主程式 */
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;
}

上述程式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。执行下面的命令能编译并执行该程式：

# gcc regexp.c -o regexp
# ./regexp ’regex[a-z]*’ < regexp.c
0003: #include
=’regex’
0027: regex_t reg;
=’regex’
0054: z = regexec(®, lbuf, nmatch, pm, 0);
=’regexec’

小结

对那些需要进行复杂数据处理的程式来说，正则表达式无疑是个非常有用的工具。本文重点在于阐述怎么在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和Perl语言类似的灵活性。