本文所有的內(nèi)容都來(lái)自網(wǎng)絡(luò)，加上一些個(gè)人的理解，不保證正確性，歡迎批評(píng)指正
　　說(shuō)起正則表達(dá)式（Regular Expression），也許有的朋友天天都在使用，比如grep、vim、sed、awk，只是可能對(duì)這個(gè)名詞不大熟悉。正則表達(dá)式一般簡(jiǎn)寫(xiě)為regex或者regexp，甚至是RE。關(guān)于正則表達(dá)式的介紹，有很多的文章，用搜索引擎查找就可以找到很不錯(cuò)的使用說(shuō)明。但是在C/C++語(yǔ)言中如何去使用，相應(yīng)的介紹比較缺乏。大多數(shù)C標(biāo)準(zhǔn)庫(kù)自帶regex，可以通過(guò)/usr/include/regex.h去看，或者man regex看使用說(shuō)明。perl，php等語(yǔ)言更是提供了功能強(qiáng)大的正則表達(dá)式，最著名的C語(yǔ)言正則表達(dá)式庫(kù)為PCRE（Perl Compatible Regular Expression）。本文主要對(duì)regex和pcre的使用做一點(diǎn)入門(mén)介紹。
　　1、regex
　　regex的使用非常簡(jiǎn)單，只要看一下示例代碼1就能明白（示例代碼是從“GNU C 規(guī)則表達(dá)式入門(mén)”這篇文章里摘取出來(lái)的，是否為原始出處就
　　不得而知了）。
　　CODE:#include <stdio.h>
　　#include <string.h>
　　#include <regex.h>
　　#define SUBSLEN 10              /* 匹配子串的數(shù)量 */
　　#define EBUFLEN 128          /* 錯(cuò)誤消息buffer長(zhǎng)度 */
　　#define BUFLEN 1024          /* 匹配到的字符串buffer長(zhǎng)度 */
　　int main()
　　{
　　size_t       len;
　　regex_t       re;      /* 存儲(chǔ)編譯好的正則表達(dá)式，正則表達(dá)式在使用之前要經(jīng)過(guò)編譯 */
　　regmatch_t    subs [SUBSLEN]; /* 存儲(chǔ)匹配到的字符串位置 */
　　char          matched [BUFLEN];     /* 存儲(chǔ)匹配到的字符串 */
　　char          errbuf [EBUFLEN]; /* 存儲(chǔ)錯(cuò)誤消息 */
　　int          err, i;
　　char          src    [] = "111 <title>Hello World</title> 222"; /* 源字符串 */
　　char          pattern [] = "<title>(.*)</title>"; /* pattern字符串 */
　　printf("String : %s\n", src);
　　printf("Pattern: \"%s\"\n", pattern);
　　/* 編譯正則表達(dá)式 */
　　err = regcomp(&re, pattern, REG_EXTENDED);
　　if (err) {
　　len = regerror(err, &re, errbuf, sizeof(errbuf));
　　printf("error: regcomp: %s\n", errbuf);
　　return 1;
　　}
　　printf("Total has subexpression: %d\n", re.re_nsub);
　　/* 執(zhí)行模式匹配 */
　　err = regexec(&re, src, (size_t) SUBSLEN, subs, 0);
　　if (err == REG_NOMATCH) { /* 沒(méi)有匹配成功 */
　　printf("Sorry, no match ...\n");
　　regfree(&re);
　　return 0;
　　} else if (err) {   /* 其它錯(cuò)誤 */
　　len = regerror(err, &re, errbuf, sizeof(errbuf));
　　printf("error: regexec: %s\n", errbuf);
　　return 1;
　　}
　　/* 如果不是REG_NOMATCH并且沒(méi)有其它錯(cuò)誤，則模式匹配上 */
　　printf("\nOK, has matched ...\n\n");
　　for (i = 0; i <= re.re_nsub; i++) {
　　len = subs[i].rm_eo - subs[i].rm_so;
　　if (i == 0) {
　　printf ("begin: %d, len = %d   ", subs[i].rm_so, len); /* 注釋1 */
　　} else {
　　printf("subexpression %d begin: %d, len = %d   ", i, subs[i].rm_so, len);
　　}
　　memcpy (matched, src + subs[i].rm_so, len);
　　matched[len] = '\0';
　　printf("match: %s\n", matched);
　　}
　　regfree(&re); /* 用完了別忘了釋放 */
　　return (0);
　　}
　　執(zhí)行結(jié)果是
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern: "<title>(.*)</title>"
　　Total has subexpression: 1
　　OK, has matched ...
　　begin: %, len = 4   match: <title>Hello World</title>
　　subexpression 1 begin: 11, len = 11   match: Hello World
　　從示例程序可以看出，使用之前先用regcomp()編譯一下，然后調(diào)用regexec()進(jìn)行實(shí)際匹配。如果只是看有沒(méi)有匹配成功，掌握這2個(gè)函數(shù)的用法即可。有時(shí)候我們想要取得匹配后的子表達(dá)式，比如示例中想獲得title是什么，需要用小括號(hào) "( )"把子表達(dá)式括起來(lái)"<title>(.*)</title>"，表達(dá)式引擎會(huì)將小括號(hào) "( )" 包含的表達(dá)式所匹配到的字符串記錄下來(lái)。在獲取匹配結(jié)果的時(shí)候，小括號(hào)包含的表達(dá)式所匹配到
　　的字符串可以單獨(dú)獲取，示例程序就是我用來(lái)獲取http網(wǎng)頁(yè)的主題（title）的方式。
　　regmatch_t subs[SUBSLEN]是用來(lái)存放匹配位置的，subs[0]里存放這個(gè)匹配的字符串位置，subs[1]里存放第一個(gè)子表達(dá)式的匹配位置，也就是例子中的title，通過(guò)結(jié)構(gòu)里的rm_so和rm_eo可以取到，這一點(diǎn)很多人不太注意，應(yīng)該強(qiáng)調(diào)一下。
　　注釋1：開(kāi)始調(diào)試代碼的時(shí)候是在FreeBSD 6.2上進(jìn)行的，print出來(lái)的len總是0，但print出來(lái)的字符串又沒(méi)錯(cuò)，很是迷惑，把它放到Linux上則完全正常，后來(lái)仔細(xì)檢查才發(fā)現(xiàn)rm_so在Linux上是32位，在FreeBSD上是64位，用%d的話實(shí)際取的是rm_so的高32位，而不是實(shí)際的len，把print rm_so的地方改為%llu就可以了。
　　regex雖然簡(jiǎn)單易用，但對(duì)正則表達(dá)式的支持不夠強(qiáng)大，中文處理也有問(wèn)題，于是引出了下面要說(shuō)的PCRE。
　　2、PCRE   （http://www.pcre.org）
　　PCRE的名字就說(shuō)明了是Perl Compatible，熟悉Perl、PHP的人使用起來(lái)完全沒(méi)有問(wèn)題。PCRE有非常豐富的使用說(shuō)明和示例代碼（看看
　　pcredemo.c就能明白基本的用法），下面的程序只是把上面regex改為pcre。
　　CODE:/* Compile thuswise:
　　* gcc -Wall pcre1.c -I/usr/local/include -L/usr/local/lib -R/usr/local/lib -lpcre
　　*
　　*/
　　#include <stdio.h>
　　#include <string.h>
　　#include <pcre.h>
　　#define OVECCOUNT 30 /* should be a multiple of 3 */
　　#define EBUFLEN 128
　　#define BUFLEN 1024
　　int main()
　　{
　　pcre          *re;
　　const char    *error;
　　int          erroffset;
　　int          ovector[OVECCOUNT];
　　int          rc, i;
　　char          src [] = "111 <title>Hello World</title> 222";
　　char          pattern [] = "<title>(.*)</title>";
　　printf("String : %s\n", src);
　　printf("Pattern: \"%s\"\n", pattern);
　　re = pcre_compile(pattern, 0, &error, &erroffset, NULL);
　　if (re == NULL) {
　　printf("PCRE compilation failed at offset %d: %s\n", erroffset, error);
　　return 1;
　　}
　　rc = pcre_exec(re, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
　　if (rc < 0) {
　　if (rc == PCRE_ERROR_NOMATCH) printf("Sorry, no match ...\n");
　　else printf("Matching error %d\n", rc);
　　free(re);
　　return 1;
　　}
　　printf("\nOK, has matched ...\n\n");
　　for (i = 0; i < rc; i++) {
　　char *substring_start = src + ovector[2*i];
　　int substring_length = ovector[2*i+1] - ovector[2*i];
　　printf("%2d: %.*s\n", i, substring_length, substring_start);
　　}
　　free(re);
　　return 0;
　　}
　　執(zhí)行結(jié)果是：
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern: "<title>(.*)</title>"
　　OK, has matched ...
　　0: <title>Hello World</title>
　　1: Hello World
　　比較這2個(gè)例子可以看出，在regex用的是regcomp()、regexec()，pcre則使用pcre_compile()、pcre_exec()，用法幾乎完全一致。
　　pcre_compile()有很多選項(xiàng)，詳細(xì)說(shuō)明參見(jiàn)http://www.pcre.org/pcre.txt。如果是多行文本，可以設(shè)置PCRE_DOTALL的選項(xiàng)pcre_complie(re,
　　PCRE_DOTALL,....)，表示'.'也匹配回車(chē)換行"\r\n"。
　　3、pcre++
　　pcre++（http://www.daemon.de/PCRE）對(duì)pcre做了c++封裝，使用起來(lái)更加方便。
　　CODE:/*
　　* g++ pcre2.cpp -I/usr/local/include -L/usr/local/lib -R/usr/local/lib -lpcre++ -lpcre
　　*/
　　#include <string>
　　#include <iostream>
　　#include <pcre++.h>
　　using namespace std;
　　using namespace pcrepp;
　　int main()
　　{
　　string src("111 <title>Hello World</title> 222");
　　string pattern("<title>(.*)</title>");
　　cout << "String : " << src << endl;
　　cout << "Pattern : " << pattern << endl;
　　Pcre reg(pattern, PCRE_DOTALL);
　　if (reg.search(src) == true) { //
　　cout << "\nOK, has matched ...\n\n";
　　for(int pos = 0; pos < reg.matches(); pos++) {
　　cout << pos << ": " << reg[pos] << endl;
　　}
　　} else {
　　cout << "Sorry, no match ...\n";
　　return 1;
　　}
　　return 0;
　　}
　　執(zhí)行結(jié)果是：
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern : <title>(.*)</title>
　　OK, has matched ...
　　0: Hello World
　　4、oniguruma
　　還有一個(gè)正則表達(dá)式的庫(kù)oniguruma（http://www.geocities.jp/kosako3/oniguruma/），對(duì)于東亞文字支持比較好，開(kāi)始是用在ruby上，也可用于C++，是日本的開(kāi)發(fā)人員編寫(xiě)的。大多數(shù)人都不會(huì)用到，也就不做介紹了。如果有疑問(wèn)可以通過(guò)email來(lái)討論它的用法。
　　5、Regular Expression的內(nèi)部實(shí)現(xiàn)
　　關(guān)于Regular Expression的實(shí)現(xiàn)，用到了不少自動(dòng)機(jī)理論（Automata Theory）的知識(shí)，有興趣的可以找這方面的資料來(lái)看，這本書(shū)“
　　Introduction to Automata Theory, Languages, and Computation”寫(xiě)的很好，編譯原理的書(shū)也有這方面的內(nèi)容。

最新評(píng)論