linux C语言处理正则表达式

Linux下C语言处理正则表达式——regex.h

具体函数介绍

编译正则表达式函数

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

 

其中preg用于保存编译后的正则表达式，regex是我们写的正则表达式。cflags标志位后面再说。

先说说regex_t结构体：

对于这个结构体而言，我们只要记住，它是编译后的正则表达式，后面的匹配是用编译后的正则表达式，这样效率更高，而不是使用我们自己写的原始的正则表达式。此外，还要知道regex_t有一个成员re_nsub，它表示“子正则表达式的个数”。所谓“子正则表达式”就是圆括号里面的正则表达式。可能还是有点懵。没关系，慢慢来！我们使用正则表达式的一个主要目的是提取满足条件的部分。比如有个字符串username=阿星&sex=女，现在我们想提取用户名，也是就“阿星”，那么我们的正则表达式应该写成: username=([^&]*)&，也就是将匹配“阿星”的正则表达式放到圆括号中，作为整个表达式的一个子表达式。后面我们执行regexec函数后，就可以得到“阿星”（后面再讲）。

再来说说cflags：

cflags 的取值有：REG_EXTENDED、REG_ICASE、REG_NOSUB和REG_NEWLINE。这四个值可以单独使用，也可以用按位与联合使用。

其中：

REG_EXTENDED：

意思是，解释正则表达式时使用扩展的正则表达式语法。POSIX规范将正则表达式的实现方法分为了两种：基本正则表达式（BRE）和扩展正则表 达式（ERE）。

BRE和ERE到底有什么区别？其实仅仅是元字符的不同！在BRE方式中，只承认^ 、$、 . 、[ 、] 、*这些是元字符，所有其他的字符都被识别为文字字符。而ERE中，则添加了(、 ) 、{ 、} 、?、 + |、等元字符（及其相关功能）。grep命令默认支持BRE，要想支持ERE需要使用-E选项。

REG_ICASE：

如果编译正则表达式时使用了这个标志，那么在用regexec()函数进行匹配时，就忽略大小写。

REG_NOSUB：

如果使用了这个选项得到的编译后的正则表达式，在被后面的regexec()函数使用时，regexec()的nmatch参数和pmatch参数将会被忽略（后面再讲）

 

 

REG_NEWLINE：

一开始我对这个标志位的理解非常模糊，网上很多人解释的也不清楚。经过我的反复试验，终于明白了。

其实REG_NEWLINE的作用就两个：

1、         使^和$有效。

2、         绝对不匹配换行符。

相信大家也都看过Linux中的man page。对于REG_NEWLINE这个标志位的解释，在man page中用了四句话。

我们先来看后两句：

Match-beginning-of-line operator (^) matches  the  empty  string immediately  after  a newline, regardless of whether eflags, the execution flags of regexec(), contains REG_NOTBOL.

Match-end-of-line operator ($) matches the empty string  immediately  before  a  newline, regardless of whether eflags contains REG_NOTEOL.

这两句的意思其实就是，是^匹配一行的开始位置，$匹配一行的结束位置（如果没有使用REG_NEWLINE，这两个字符将被当做普通字符）。并且使REG_NOTBOL和REG_NOTEOL无效。

举两个例子：

有字符串：

username=xinger&sex=girl&age=22\r\nschool=BIT&husband=qinger\r\n&like=study&look=pretty\r\n

如果我们没有使用REG_NEWLINE标志，那么正则表达式^school=([^&]*)将不能匹配，因为这里^被解释成了普通字符，而不是一行的开始。

如果我们加上REG_NEWLINE标志，那么将匹配成school=BIT，此时^不再是普通字符，而是匹配一行的开始。

再比如正则表达式age=([^$]*)，如果没有使用REG_NEWLINE，将匹配成：

age=22\r\nschool=BIT&husband=qinger\r\n&like=study&look=pretty\r\n

还是因为$被解释成了普通字符，

比如我们在原字符串中添加一个$，变成

username=xinger&sex=girl&age=22\r\nschool=$BIT&husband=$qinger\r\n&like=study&look=pretty\r\n

那么匹配结果变成了age=22\r\nschool=，原因依然是：把$当成了普通字符。

在来看前两句：

Match-any-character operators don't match a newline.

A  nonmatching  list ([^...])  not containing a newline does not match a newline.

这两句的意思说白了，就是保证不匹配换行符。比如第一句，意思是匹配任意字符的元字符也不匹配新的一行（好乱呀）。什么意思呢？就是比如说点（.）本来匹配所有的字符（注意，在POSIX中点匹配所有字符！！！和我们平时学的不一样。）但是如果使用了REG_NEWLINE标志，则不匹配换行符\r\n。

还是举个例子吧：

有字符串：

username=xinger&sex=girl&age=22\r\nschool=BIT&husband=$qinger\r\n&like=study&look=pretty\r\n

有正则表达式：sex=([^@]*)，如果没有REG_NEWLINE标志，匹配结果是：

sex=girl&age=22\r\nschool=BIT&husband=$qinger\r\n&like=study&look=pretty\r\n

因为[^@]匹配所有不是@的字符。但是如果我们加上了REG_NEWLINE，那么匹配结果为：sex=girl&age=22，原因是REG_NEWLINE保证了绝不匹配换行符！！！其实就相当于[^@\r\n]不加REG_NEWLINE。

在比如，有正则表达式sex=(.*)，我们前面提到过：点在POSIX中匹配任意字符（’\0’除外），所以点也匹配换行符，所以匹配结果为：

sex=girl&age=22\r\nschool=BIT&husband=$qinger\r\n&like=study&look=pretty\r\n

但是，如果我们使用了REG_NEWLINE，则保证不会匹配换行符，匹配结果就变成了：sex=girl&age=22。

最后说说返回值：

成功返回0，失败可以用regerror获取失败码。

用编译后的正则表达式进行匹配

int regexec(const regex_t *preg, const char *string, size_t nmatch,

                   regmatch_t pmatch[], int eflags);

 

 

regexec函数用上一步中编译好的正则表达式preg对string内容进行匹配，并将匹配结果以记录字节偏移量的形式保存在pmatch数组中。

首先看看regmatch_t结构体：

regmatch_t 是一个结构体数据类型，在regex.h中定义：            

typedef struct

{

   regoff_t rm_so;

   regoff_t rm_eo;

} regmatch_t;

 

 

regexec函数将用匹配的子字符串的起止地址填充pmatch结构体，pmatch[0]对应的是整个正则表达式的匹配结果的起止地址;pmatch[i]则对应存储了第i个子匹配字符串的起止地址。（rm_so表示起始位置距离首地址的偏移量，rm_eo表示结束位置距离首地址的偏移量+1，如果rm_so为-1则表示该子表达式没有匹配）。nmatch表示pmatch结构体数组的元素的个数，它至少应该是子表达式的个数加1（因为0下标存储的是整个表达式的匹配结果）。

 

再来说说eflags：

首先一点，如果regcomp中使用了REG_NEWLINE变量，这个标志位是无效的！

这个标志位有两个取值：REG_NOTBOL和REG_NOTEOL，作用就是：如果设置了相应的标志位，那么含有^或$，而且含义是一行开始，或结束（比如^也可以解释成非），那么该正则表达式将永远不会匹配！！！。

最后说说返回值：

成功返回0，REG_NOMATCH表示失败。

 

将错误码转换成错误信息

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

                       size_t errbuf_size);

 

该函数用于将regcomp或regexec返回的错误码转换成错误字符串信息。

参数errcode表示那两个函数返回的错误码，preg是regcomp编译后的正则表达式，errbuf用于存储错误信息字符串，errbuf_size是errbuf的大小。

 

释放regex_t结构体

void regfree(regex_t *preg);

 

regcomp函数会填写regex_t结构体的元素，这之中需要为某些元素开辟存储空间，而regfree函数就是释放这些空间的。

千万记得最后要调用regfree释放空间，否则会造成内存泄漏。

 

最后附上一个小例子：

 

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

char *pick_regex(const char *string,const char *pattern)
{
    int err;
    char errbuf[1024];
    regex_t compiled;
    if((err = regcomp(&compiled,pattern,REG_EXTENDED|REG_ICASE|REG_NEWLINE)) != 0)
    {
         regerror(err,&compiled,errbuf,sizeof(errbuf));
         printf("err:%s\n",errbuf);
        return NULL;
    }
    
    regmatch_t pmatch[2];
    err = regexec(&compiled,string,2,pmatch,REG_NOTBOL);
    if(err != 0)
    {
        printf("未匹配成功！\n");
        return NULL;
    }
    if(compiled.re_nsub != 1)
        return NULL;
    if(pmatch[1].rm_so == -1)
        return NULL;

    int len = pmatch[1].rm_eo - pmatch[1].rm_so;
    char *value = (char *)malloc(len + 1);
    if(value == NULL)
        return NULL;
    memset(value,0,len + 1);
    memcpy(value,string + pmatch[1].rm_so,len);
    //free(value);
    regfree(&compiled);//切记最后要释放掉，否则会造成内存泄露

    return value;
}

int main()
{
    const char *string = "username=xinger&sex=girl&age=22\r\nschool=BIT&husband=qinger\r\n&like=study&look=pretty\r\n";
    const char *pattern = "school=([^&]*)";
    char *value = pick_regex(string,pattern);
    printf("提取的值为：%s\n",value);

    return 0;
}

 

 如果你觉得对你有用，就点个赞吧~~~