筆記整理——Linux下C語言正則表達式

標准的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。該函數雖然以regmatch_t數組的形式定義了參數，但是實際上regexec()函數只能匹配到一個，讓人誤解啊，特別注明一下。

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於這個值，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);

下邊是一個連續查找文本中匹配字符串的例子：

#include <stdio.h>
#include <string.h>
#include <regex.h>
 
// 提取子串
char* getsubstr(char *s, regmatch_t *pmatch)
{
	static char buf[100] = {0};
	memset(buf, 0, sizeof(buf));
	memcpy(buf, s+pmatch->rm_so, pmatch->rm_eo - pmatch->rm_so);
 
	return buf;
}
 
int main(void)
{
	regmatch_t pmatch;
	regex_t reg;
	const char *pattern = "[a-z]+";		// 正則表達式
	char buf[] = "HELLOsaiYear2012@gmail.com";	// 待搜索的字符串
 
	regcomp(&reg, pattern, REG_EXTENDED);	//編譯正則表達式
	int offset = 0;
 	while(offset < strlen(buf))
	{
		int status = regexec(&reg, buf + offset, 1, &pmatch, 0);
		/* 匹配正則表達式，注意regexec()函數一次只能匹配一個，不能連續匹配，網上很多示例並沒有說明這一點 */
		if(status == REG_NOMATCH)
			printf("No Match\n");
		else if(pmatch.rm_so != -1)
		{
			printf("Match:\n");
			char *p = getsubstr(buf + offset, &pmatch);
 			printf("[%d, %d]: %s\n", offset + pmatch.rm_so + 1, offset + pmatch.rm_eo, p);
		}
		offset += pmatch.rm_eo;
	}
	regfree(&reg);		//釋放正則表達式
 
	return 0;
}

正則表達式梳理（unix） - aten_xie的專欄 - 博客頻道 - CSDN.NET - Google Chrome (2013/4/16 18:14:01)

C語言正則表達式詳解 regcomp() regexec() regfree()詳解_正則表達式教程 - Google Chrome (2013/4/10 12:09:15)

C語言中嵌入正則表達式

常用正則表達式-月光博客 - Google Chrome (2013/4/10 10:09:16)

正則表達式用於字符串處理、表單驗證等場合，實用高效。現將一些常用的表達式收集於此，以備不時之需。

匹配中文字符的正則表達式： [\u4e00-\u9fa5]
評注：匹配中文還真是個頭疼的事，有了這個表達式就好辦了

匹配雙字節字符(包括漢字在內)：[^\x00-\xff]
評注：可以用來計算字符串的長度（一個雙字節字符長度計2，ASCII字符計1）

匹配空白行的正則表達式：\n\s*\r
評注：可以用來刪除空白行

匹配HTML標記的正則表達式：<(\S*?)[^>]*>.*?</\1>|<.*? />
評注：網上流傳的版本太糟糕，上面這個也僅僅能匹配部分，對於復雜的嵌套標記依舊無能為力

匹配首尾空白字符的正則表達式：^\s*|\s*$
評注：可以用來刪除行首行尾的空白字符(包括空格、制表符、換頁符等等)，非常有用的表達式

匹配Email地址的正則表達式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
評注：表單驗證時很實用

匹配網址URL的正則表達式：[a-zA-z]+://[^\s]*
評注：網上流傳的版本功能很有限，上面這個基本可以滿足需求

匹配帳號是否合法(字母開頭，允許5-16字節，允許字母數字下划線)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
評注：表單驗證時很實用

匹配國內電話號碼：\d{3}-\d{8}|\d{4}-\d{7}
評注：匹配形式如 0511-4405222 或 021-87888822

匹配中國郵政編碼：[1-9]\d{5}(?!\d)
評注：中國郵政編碼為6位數字

匹配特定數字：
^[1-9]\d*$　　 //匹配正整數
^-[1-9]\d*$ 　 //匹配負整數
^-?[1-9]\d*$　　 //匹配整數
^[1-9]\d*|0$　 //匹配非負整數（正整數 + 0）
^-[1-9]\d*|0$　　 //匹配非正整數（負整數 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$　　 //匹配正浮點數
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$　 //匹配負浮點數
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$　 //匹配浮點數
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$　　 //匹配非負浮點數（正浮點數 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$　　//匹配非正浮點數（負浮點數 + 0）
評注：處理大量數據時有用，具體應用時注意修正

匹配特定字符串：
^[A-Za-z]+$　　//匹配由26個英文字母組成的字符串
^[A-Z]+$　　//匹配由26個英文字母的大寫組成的字符串
^[a-z]+$　　//匹配由26個英文字母的小寫組成的字符串
^[A-Za-z0-9]+$　　//匹配由數字和26個英文字母組成的字符串
^\w+$　　//匹配由數字、26個英文字母或者下划線組成的字符串
評注：最基本也是最常用的一些表達式

本文章要提供的這些表達式是url 卡號數字郵編 QQ號整數英文中文正則代碼哦，下面我們來一一注明吧。

Url : /^http://[A-Za-z0-9]+.[A-Za-z0-9]+[/=?%-&_~`@[]':+!]*([^<>""])*$/, //地址正則

元字符	功能	實例	匹配結果	備注
^	行首定位符	/^test/	匹配所有以test開頭的行	空格、TAB等也是作為字符進行匹配的。
$	行尾定位符	/test$/	匹配所有以test結尾的行
. (點)	匹配除“/n”之外的任何單個字符	/t..t/	匹配包含一個t，后跟兩個字符，在跟一個t的行。	任意單個字符包含空格和TAB鍵。即：“t t” 也是滿足匹配條件的。若要匹配包括“/n”在內的任意字符，請使用諸如“[/s/S]”之類的模式。
*	零次或多次匹配前面的字符或子表達式	/t*est/	匹配包含0個或者多個t后跟est的行。可以匹配：est、test、ttest
+	一次或多次匹配前面的字符或子表達式	/t+est/	匹配包含1個或者多個t后跟est的行。可以匹配：test、ttest。字符串“est”則無法進行匹配了。
?	零次或者一次匹配前面的字符串或者子表達式	/t?est/	匹配包含0個或者1個t后跟est的行。可以匹配：test、est。	ttest 也是符合匹配標准的，因為ttest字符串中包含整個test。當此字符緊隨任何其他限定符（*、+、?、{n}、{n,}、{n,m}）之后時，匹配模式是“非貪心的”。“非貪心的”模式匹配搜索到的、盡可能短的字符串，而默認的“貪心的”模式匹配搜索到的、盡可能長的字符串。例如，在字符串“oooo”中，“o+?”只匹配單個“o”，而“o+”匹配所有“o”。
[]	匹配一組字符中的任一個	/[Tt]est/	匹配包含Test或者test行
[x-y]	匹配指定范圍內的一個字符	/[A-Z]est/	匹配后面跟着est的一個A至Z之間的字符。	[0-9]：用來匹配任意數字 [A-Za-z]：用來匹配任意字母
[^]	匹配不在指定組內的字符	/[^A-Z]/	匹配不在范圍A至Z之間的任一個字符
/	用來轉義元字符	/test/*/	匹配包含test，后面跟一個*號的所有行。	////用來匹配“/”符號自身
/<	詞首定位符	//	匹配包含以love開頭的詞的行。如：love、lover	vi和grep支持
/>	詞尾定位符	/love/>/	匹配包含以love結尾的詞的行。如：aalove	vi和grep支持
/(pattern/)	匹配模式pattern，並將之存儲在寄存器中，供之后使用。	//(love/)able /1r/	最多可以使用9個標簽，模式中最左邊的標簽是第一個。例如：模式love被保存為標簽1，用/1表示。左邊這個例子中，查找串是一個loveable 后跟 lover的長串。	sed、vi、grep支持。例如： sed “s//(love/)//1able/” 功能是將文件中的love替換成loveable。
x/{m/} 或 x/{m,/} 或 x/{m,n/}	字符x的重復出現； m次，至少m次，至少m次且不超過n次。	o/{5,10/}	匹配包含5-10個連續的字母o的行。	vi和grep支持

元字符	功能	實例	匹配結果	備注
^	行首定位符	grep “^test” datafile	打印所有以test開頭的行
$	行尾定位符	grep “test$” datafile	打印所有以test結尾的行
. (點)	匹配除“/n”之外的任何單個字符	/t..t/	匹配包含一個t，后跟兩個字符，在跟一個t的行。
*	零次或多次匹配前面的字符或子表達式	/t*est/	匹配包含0個或者多個t后跟est的行。可以匹配：est、test、ttest
[]	匹配一組字符中的任一個	/[Tt]est/	匹配包含Test或者test行
[^]	匹配不在指定組內的字符	/[^A-Z]/	匹配不在范圍A至Z之間的任一個字符
/<	詞首定位符	//	匹配包含以love開頭的詞的行。如：love、lover	vi和grep支持
/>	詞尾定位符	/love/>/	匹配包含以love結尾的詞的行。如：aalove	vi和grep支持
/(pattern/)	匹配模式pattern，並將之存儲在寄存器中，供之后使用。	//(love/)able /1r/	最多可以使用9個標簽，模式中最左邊的標簽是第一個。例如：模式love被保存為標簽1，用/1表示。左邊這個例子中，查找串是一個loveable 后跟 lover的長串。	sed、vi、grep支持。例如： sed “s//(love/)//1able/” 功能是將文件中的love替換成loveable。
x/{m/} 或 x/{m,/} 或 x/{m,n/}	字符x的重復出現； m次，至少m次，至少m次且不超過n次。	o/{5,10/}	匹配包含5-10個連續的字母o的行。