C語言正則表達式詳解 regcomp() regexec() regfree()用法詳解

標準的C和C++都不支持正則表達式，但有一些函數庫可以輔助C/C++程序員完成這一功能，其中最著名的當數Philip Hazel的Perl-Compatible Regular Expression庫，許多Linux發行版本都帶有這個函數庫。
C語言處理正則表達式常用的函數有regcomp()、regexec()、regfree()和regerror()，一般分為三個步驟，如下所示：

C語言中使用正則表達式一般分為三步：

1. 編譯正則表達式 regcomp()
2. 匹配正則表達式 regexec()
3. 釋放正則表達式 regfree()

下邊是對三個函數的詳細解釋

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

這個函數把指定的正則表達式pattern編譯成一種特定的數據格式compiled，這樣可以使匹配更有效。函數regexec 會使用這個數據在目標文本串中進行模式匹配。執行成功返回０。 　

參數說明：

①regex_t 是一個結構體數據類型，用來存放編譯后的正則表達式，它的成員re_nsub 用來存儲正則表達式中的子正則表達式的個數，子正則表達式就是用圓括號包起來的部分表達式。
②pattern 是指向我們寫好的正則表達式的指針。
③cflags 有如下4個值或者是它們或運算(|)后的值：
REG_EXTENDED 以功能更加強大的擴展正則表達式的方式進行匹配。
REG_ICASE 匹配字母時忽略大小寫。
REG_NOSUB 不用存儲匹配后的結果。
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。

2. int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr [], int eflags)

當我們編譯好正則表達式后，就可以用regexec 匹配我們的目標文本串了，如果在編譯正則表達式的時候沒有指定cflags的參數為REG_NEWLINE，則默認情況下是忽略換行符的，也就是把整個文本串當作一個字符串處理。執行成功返回０。
regmatch_t 是一個結構體數據類型，在regex.h中定義：

typedef struct
{
regoff_t rm_so;
regoff_t rm_eo;
} regmatch_t;

成員rm_so 存放匹配文本串在目標串中的開始位置，rm_eo 存放結束位置。通常我們以數組的形式定義一組這樣的結構。因為往往我們的正則表達式中還包含子正則表達式。數組0單元存放主正則表達式位置，后邊的單元依次存放子正則表達式位置。

參數說明：

①compiled 是已經用regcomp函數編譯好的正則表達式。
②string 是目標文本串。
③nmatch 是regmatch_t結構體數組的長度。
④matchptr regmatch_t類型的結構體數組，存放匹配文本串的位置信息。
⑤eflags 有兩個值
REG_NOTBOL 按我的理解是如果指定了這個值，那么'^'就不會從我們的目標串開始匹配。總之我到現在還不是很明白這個參數的意義；
REG_NOTEOL 和上邊那個作用差不多，不過這個指定結束end of line。

3. void regfree (regex_t *compiled)

當我們使用完編譯好的正則表達式后，或者要重新編譯其他正則表達式的時候，我們可以用這個函數清空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。

4. size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)

當執行regcomp 或者regexec 產生錯誤的時候，就可以調用這個函數而返回一個包含錯誤信息的字符串。

參數說明：
①errcode 是由regcomp 和 regexec 函數返回的錯誤代號。
②compiled 是已經用regcomp函數編譯好的正則表達式，這個值可以為NULL。
③buffer 指向用來存放錯誤信息的字符串的內存空間。
④length 指明buffer的長度，如果這個錯誤信息的長度大于這個值，則regerror 函數會自動截斷超出的字符串，但他仍然會返回完整的字符串的長度。所以我們可以用如下的方法先得到錯誤字符串的長度。

size_t length = regerror (errcode, compiled, NULL, 0);

下邊是一個匹配Email例子，按照上面的三步就可以。

下面的程序負責從命令行獲取正則表達式，然后將其運用于從標準輸入得到的每行數據，并打印出匹配結果。

#include <stdio.h>
#include <sys/types.h>
#include <regex.h>

/* 取子串的函數 */
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;
 /* 編譯正則表達式*/
 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;
 }
 /* 逐行處理輸入的數據 */
 while(fgets(lbuf, sizeof(lbuf), stdin))
 {
  ++lno;
  if ((z = strlen(lbuf)) > 0 && lbuf[z-1] == '\n')
  lbuf[z - 1] = 0;
  /* 對每一行應用正則表達式進行匹配 */
  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;
  }
  /* 輸出處理結果 */
  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));
  }
 }
 /* 釋放正則表達式 */
 regfree(?);
 return 0;
}

執行下面的命令可以編譯并執行該程序：

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

小結：對那些需要進行復雜數據處理的程序來說，正則表達式無疑是一個非常有用的工具。本文重點在于闡述如何在C語言中利用正則表達式來簡化字符串處理，以便在數據處理方面能夠獲得與Perl語言類似的靈活性。