C语言使用正则表达式

http://blog.chinaunix.net/uid-479984-id-2114941.html

C语言使用正则表达式

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

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

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
[e-mail]  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
[e-mail]
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）
还有一份不错的资料http://midatl.radford.edu/docs/C/Pattern-Matching.html#Pattern-Matching