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。