C語言使用正則表達式

據說一個好的程序員是會使用DB和Regular Expression的程序員，可見兩者是多么重要。正則表達式是能極大地提高工作效率的工具，使用過Linux下各種具備RE特性的工具的人一定對此深有感觸。很多語言都支持RE，用的最多的當然是腳本，其中以perl最盛。不過，用C語言來用RE不是很多見，但是有時候也很有用，我最近也是看到別人說道這個，所以搜了一些資料加上自己的體會來說一說RE在C語言里的應用。C語言本身不具備RE特性，但是有很多庫，在Linux下你可以很方便的使用regex.h提供的庫。我先貼一段代碼展示一下RE在C語言里是怎么用的

  1 #include<stdio.h>
  2 #include<sys/types.h>
  3 #include<regex.h>
  4 #include<memory.h>
  5 #include<stdlib.h>
  6
  7 int main(){
  8
  9 char *bematch = "[e-mail]";
 10 char *pattern = "h{3,10}(.*)@.{5}.(.*)";
 11 char errbuf[1024];
 12 char match[100];
 13 regex_t reg;
 14 int err,nm = 10;
 15 regmatch_t pmatch[nm];
 16
 17 if(regcomp(&reg,pattern,REG_EXTENDED) < 0){
 18 regerror(err,&reg,errbuf,sizeof(errbuf));
 19 printf("err:%s\n",errbuf);
 20 }
 21
 22 err = regexec(&reg,bematch,nm,pmatch,0);
 23
 24 if(err == REG_NOMATCH){
 25 printf("no match\n");
 26 exit(-1);
 27 }else if(err){
 28 regerror(err,&reg,errbuf,sizeof(errbuf));
 29 printf("err:%s\n",errbuf);
 30 exit(-1);
 31 }
 32
 33 for(int i=0;i<10 && pmatch[i].rm_so!=-1;i++){
 34 int len = pmatch[i].rm_eo-pmatch[i].rm_so;
 35 if(len){
 36 memset(match,'\0',sizeof(match));
 37 memcpy(match,bematch+pmatch[i].rm_so,len);
 38 printf("%s\n",match);
 39 }  40 }  41 return 0;  42 }

我打算看看一個郵件地址是否匹配我所提供的pattern。這個郵件地址是
[e-mail]  patern為
"h{3,10}(.*)@.{5}.(.*)"
我們希望匹配一個以3個h字符接着為任意字符串（可以為空）直到遇到一個@，然后接5個任意的字符和一個.號，最后再接一個字符串（可以為空），我們運行得到的結果是
[e-mail]
ericchd
com
我們發現，這個郵件地址被匹配了，第一行輸出了，第二行和第三行分別輸出的是我們希望得到的匹配的一部分，也就是在pattern中用括號括起來的部分。在這里我們還發現，在C語言里使用RE表達式的時候和通常的UNIX一般的RE表達式有區別：
第一、\{\}和\(\)需要改成{}和(),因為在C語言反斜杠是轉移字符用的
第二、.不需要轉義，不想UNIX的RE那樣需要\.，但是?和*我沒有找到該怎么用
下面貼上對以上所用函數的一些解釋
regex的使用
需要用到以下幾個函數。（定義在/usr/include/regex.h文件中）
int regcomp (regex_t *compiled, const char *pattern, int cflags)  int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr [], int  eflags) 
void regfree (regex_t *compiled) 
size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)
1.int regcomp (regex_t *compiled, const char *pattern, int cflags) 

這個函數把指定的規則表達式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。 

regex_t 是一個結構體數據類型，用來存放編譯后的規則表達式，它的成員re_nsub 用來存儲規則表達式中的子 規則表達式的個數，子規則表達式就是用圓括號包起來的部分表達式。 

pattern 是指向我們寫好的規則表達式的指針。 
cflags 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規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) 

當我們編譯好規則表達式后，就可以用regexec 匹配我們的目標文本串了，如果在編譯規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，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。因為往往我們的規則表達式中還包含子規則表達式。數組0單元存放主規則表達式位置，后邊的單元依次存放子規則表達式位置。 

compiled 是已經用regcomp函數編譯好的規則表達式。 
string 是目標文本串。 
nmatch 是regmatch_t結構體數組的長度。 
matchptr regmatch_t類型的結構體數組，存放匹配文本串的位置信息。 
eflags 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， 
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規則表達式后，或者要重新編譯其他規則表達式的時候，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。 

errcode 是由regcomp 和 regexec 函數返回的錯誤代號。 
compiled 是已經用regcomp函數編譯好的規則表達式，這個值可以為NULL。 
buffer 指向用來存放錯誤信息的字符串的內存空間。 
length 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); 

regex雖然簡單易用，但對正則表達式的支持不夠強大，中文處理也有問題（經過試驗可以引用vi的一些正則表達式編寫例子），PCRE是另一個選擇PCRE  （http://www.pcre.org）
還有一份不錯的資料http://midatl.radford.edu/docs/C/Pattern-Matching.html#Pattern-Matching