欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  科技

在C/C++语言中使用正则表达式

程序员文章站 2022-06-11 09:18:22
在C/C++语言中使用正则表达式...

  本文所有的内容都来自网络,加上一些个人的理解,不保证正确性,欢迎批评指正
  说起(regular expression),也许有的朋友天天都在使用,比如grep、vim、sed、awk,只是可能对这个名词不大熟悉。一般简写为regex或者regexp,甚至是re。关于的介绍,有很多的文章,用搜索引擎查找就可以找到很不错的使用说明。但是在c/c++语言中如何去使用,相应的介绍比较缺乏。大多数c标准库自带regex,可以通过/usr/include/regex.h去看,或者man regex看使用说明。perl,php等语言更是提供了功能强大的,最著名的c语言库为pcre(perl compatible regular expression)。本文主要对regex和pcre的使用做一点入门介绍。
  1、regex
  regex的使用非常简单,只要看一下示例代码1就能明白(示例代码是从“gnu c 规则表达式入门”这篇文章里摘取出来的,是否为原始出处就
  不得而知了)。
  code:#include <stdio.h>
  #include <string.h>
  #include <regex.h>
  #define subslen 10              /* 匹配子串的数量 */
  #define ebuflen 128          /* 错误消息buffer长度 */
  #define buflen 1024          /* 匹配到的字符串buffer长度 */
  int main()
  {
  size_t       len;
  regex_t       re;      /* 存储编译好的,在使用之前要经过编译 */
  regmatch_t    subs [subslen]; /* 存储匹配到的字符串位置 */
  char          matched [buflen];     /* 存储匹配到的字符串 */
  char          errbuf [ebuflen]; /* 存储错误消息 */
  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);
  /* 编译 */
  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);
  /* 执行模式匹配 */
  err = regexec(&re, src, (size_t) subslen, subs, 0);
  if (err == reg_nomatch) { /* 没有匹配成功 */
  printf("sorry, no match ...\n");
  regfree(&re);
  return 0;
  } else if (err) {   /* 其它错误 */
  len = regerror(err, &re, errbuf, sizeof(errbuf));
  printf("error: regexec: %s\n", errbuf);
  return 1;
  }
  /* 如果不是reg_nomatch并且没有其它错误,则模式匹配上 */
  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); /* 注释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); /* 用完了别忘了释放 */
  return (0);
  }
  执行结果是
  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
  从示例程序可以看出,使用之前先用regcomp()编译一下,然后调用regexec()进行实际匹配。如果只是看有没有匹配成功,掌握这2个函数的用法即可。有时候我们想要取得匹配后的子表达式,比如示例中想获得title是什么,需要用小括号 "( )"把子表达式括起来"<title>(.*)</title>",表达式引擎会将小括号 "( )" 包含的表达式所匹配到的字符串记录下来。在获取匹配结果的时候,小括号包含的表达式所匹配到
  的字符串可以单独获取,示例程序就是我用来获取http网页的主题(title)的方式。
  regmatch_t subs[subslen]是用来存放匹配位置的,subs[0]里存放这个匹配的字符串位置,subs[1]里存放第一个子表达式的匹配位置,也就是例子中的title,通过结构里的rm_so和rm_eo可以取到,这一点很多人不太注意,应该强调一下。
  注释1:开始调试代码的时候是在freebsd 6.2上进行的,print出来的len总是0,但print出来的字符串又没错,很是迷惑,把它放到linux上则完全正常,后来仔细检查才发现rm_so在linux上是32位,在freebsd上是64位,用%d的话实际取的是rm_so的高32位,而不是实际的len,把print rm_so的地方改为%llu就可以了。
  regex虽然简单易用,但对的支持不够强大,中文处理也有问题,于是引出了下面要说的pcre。
  2、pcre   ()
  pcre的名字就说明了是perl compatible,熟悉perl、php的人使用起来完全没有问题。pcre有非常丰富的使用说明和示例代码(看看
  pcredemo.c就能明白基本的用法),下面的程序只是把上面regex改为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;
  }
  执行结果是:
  code:string : 111 <title>hello world</title> 222
  pattern: "<title>(.*)</title>"
  ok, has matched ...
  0: <title>hello world</title>
  1: hello world
  比较这2个例子可以看出,在regex用的是regcomp()、regexec(),pcre则使用pcre_compile()、pcre_exec(),用法几乎完全一致。
  pcre_compile()有很多选项,详细说明参见。如果是多行文本,可以设置pcre_dotall的选项pcre_complie(re,
  pcre_dotall,....),表示'.'也匹配回车换行"\r\n"。
  3、pcre++
  pcre++(http://www.daemon.de/pcre)对pcre做了c++封装,使用起来更加方便。
  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;
  }
  执行结果是:
  code:string : 111 <title>hello world</title> 222
  pattern : <title>(.*)</title>
  ok, has matched ...
  0: hello world
  4、oniguruma
  还有一个的库oniguruma(),对于东亚文字支持比较好,开始是用在ruby上,也可用于c++,是日本的开发人员编写的。大多数人都不会用到,也就不做介绍了。如果有疑问可以通过email来讨论它的用法。
  5、regular expression的内部实现
  关于regular expression的实现,用到了不少自动机理论(automata theory)的知识,有兴趣的可以找这方面的资料来看,这本书“
  introduction to automata theory, languages, and computation”写的很好,编译原理的书也有这方面的内容。