在c中使用正则表达式

今天学习编译原理的时候，用c写一个简易的文法识别器实验遇到了一个问题：要用正则表达式去识别正则文法里面的A->ω,A->Bω, 其中ω属于T的正闭包，也就是说我们对正则文法的产生式进行抽象的时候，可以让右边的产生式匹配正则表达式[V]?[T]+，其中V是指非终结符集合，T是指终结符集合。这时候问题就来了，貌似还真的没有用过C的正则表达式，上网百度了一下，似乎得到了答案：标准的C／C++是不支持正则表达式的，但是我们可以利用一些现成的库。我们这里用到的就是regex库。用到的几个函数：regcomp、regexec、regfree、regerror。

首先我们引入头文件：

#include<sys/types.h>(不一定需要，根据系统不同，可以使用man命令来查看regcomp等函数，看看需不需要加)

#include<regex>

 

使用正则表达式，也就是使用regcomp这几个函数，分别分为下面几个步骤：

1. 编译正则表达式。regcomp其实是把传统的正则表达式，进行编译，存在一个regex_t的结构体中，这样编译完以后，能够提高匹配的效率。这里来看下函数原型和解释一下各个参数以及如何使用：

函数原型 int regcomp(regex_t *compiled, const char *pattern, int cflags)

regex_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:是指向我们写好的正则表达式的指针。

cflags:指定编译模式。这个参数有如下4个常用值可供选择，可以是或运算(|)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。（扩展正则表达式也就是可以使用+、？、{}等等限定符号）

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。

以上就是四个常用的参数，具体更多的参数和更详细的说明，可以使用man命令来查看，各个版本不同可能会有点小的差异，在macOS上还有REG_BASIC等许多参数。

这个函数执行成功以后，会把编译结果存放在指定的regex_t结构体中，然后返回0。返回任何其他的结果，都代表有某种错误。

 

2.编译完以后，我们得到了编译的结果regex_t，这个很关键，接下来执行匹配的时候，就要用到这个regex_t。执行匹配的函数是regexec，我们看看这个函数的原型和各个参数：

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

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。

compiled：是已经用regcomp函数编译好的正则表达式。

string：是待匹配的目标文本串。

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(可能有的系统不止，实际根据man查看的结果为主)：

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。

参数compiled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matchptr则用于把匹配结果返回给调用程序，最后一个参数eflags决定了匹配的细节。 

在调用regexec()进行模式匹配的过程中，可能在字符串string中会有多处与给定的正则表达式相匹配，参数matchptr就是用来保存这些匹配位置的，而参数nmatch则告诉regexec()最多可以把多少个匹配结果填充到matchptr数组中。当regexec()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。regmatch_t结构体如下：

typedef struct

{ 

　　regoff_t rm_so; 　　//记录开始位置

　　regoff_t rm_eo; 　　//记录结束位置

}regmatch_t;

 

3. 匹配完了以后，自然而然就要释放资源啦。无论是什么时候，当不再需要编译好的正则表达式的时候，都应该释放资源，以免内存泄漏。我们就来接着看看释放资源的函数和他的各项参数：

void regfree (regex_t *compiled)

这个函数相对较简单，compiled就是我们之前一直用的那个编译好的正则表达式。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正则表达式的时候，我们也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.另外还有一个函数，那就是报错函数啦，这个函数用于我们在各个阶段操作（编译regcomp、匹配regexec）的时候发生错误的错误记录，我们可以通过调用这个函数来报告错误的信息。

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

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);

 

接下来我们看看一个简单的demo：

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

void printEachMatch(char* result, char* str, int start, int end){
    int length = end - start;
    strncpy(result, str + start, length);
    result[length] = '\0';
}

int main(int argc, char* argv[]){

    regex_t reg;
    char pattern[] = "[abc]?";
    char* str = "ac";
    char ebuf[128];

    //编译正则表达式
    int val = regcomp(&reg, pattern, REG_EXTENDED);
    if(val != 0){
        regerror(val, &reg, ebuf, sizeof(ebuf));
        perror(ebuf);
        exit(1);
    }

    regmatch_t matchptr[10];
    const size_t nmatch = 5;

    for (int i = 0; i < 10; ++i)
    {
        matchptr[i].rm_so = -1;
        matchptr[i].rm_eo = -1;
    }

    //匹配
    val = regexec(&reg, str, nmatch, matchptr, REG_NOTBOL);
    if(val != 0){
        regerror(val, &reg, ebuf, sizeof(ebuf));
        perror(ebuf);
        exit(2);
    }

    if(val == REG_NOMATCH){
        printf("unmatch!\n");
    } else {
        printf("match : ");
         for (int x = 0; x < nmatch && matchptr[x].rm_so != -1; ++ x)
        {
            char result[10];
            printf("rm_so = %lld, rm_eo = %lld\n", matchptr[x].rm_so, matchptr[x].rm_eo);
            printEachMatch(result, str, matchptr[x].rm_so, matchptr[x].rm_eo);
            printf("%s\n", result);
        }
    }

    //释放正则表达式
    regfree(&reg);


    return 0;
}

这里要用到+，所以应该以功能更强大的扩展的正则表达式规则来进行匹配，故regcomp编译的时候最后一个参数传入的是REG_EXTENDED。27-34行主要是先把regmatch_t中的属性的随机值都替换成-1，然后后面方便观察到底匹配开始和结束的位置是多少而已。最后我们输出每一个匹配，来观察结果是否和我们想象中相同，也就是验证是不是和我们平时使用的正则表达式相同而已。

 

参考资料和文章：

http://blog.csdn.net/suwei19870312/article/details/5383123

http://m.blog.chinaunix.net/uid-1724205-id-2813055.html