2007年2月11日星期日

在C语言中巧用正则表达式

参考: http://fanqiang.chinaunix.net/program/c++/2007-02-02/4936.shtml

        如果用户熟悉Linux下的sed、 awk、grep或vi,那么对正则表达式这一概念肯定不会陌生。由于它可以极大地简化处理字符串时的复杂度,因此现在已经在许多Linux实用工具中得 到了应用。千万不要以为正则表达式只是Perl、Python、Bash等脚本语言的专利,作为C语言程序员,用户同样可以在自己的程序中运用正则表达 式。

  标准的C和C++都不支持正则表达式,但有一些函数库可以辅助C/C++程序员完成这一功能,其中最著名的当数Philip Hazel的Perl-Compatible Regular Expression库,许多Linux发行版本都带有这个函数库。

  编译正则表达式

  为了提高效率,在将一个字符串与正则表达式进行比较之前,首先要用regcomp()函数对它进行编译,将其转化为regex_t结构:

  int regcomp(regex_t *preg, const char *regex, int cflags);

  参数regex是一个字符串,它代表将要被编译的正则表达式;参数preg指向一个声明为regex_t的数据结构,用来保存编译结果;参数cflags决定了正则表达式该如何被处理的细节。

  如果函数regcomp()执行成功,并且编译结果被正确填充到preg中后,函数将返回0,任何其它的返回结果都代表有某种错误产生。

  匹配正则表达式

  一旦用regcomp()函数成功地编译了正则表达式,接下来就可以调用regexec()函数完成模式匹配:

  int regexec(const regex_t *preg, const char *string, size_t nmatch,regmatch_t pmatch[], int eflags);

  typedef struct {

  regoff_t rm_so;

  regoff_t rm_eo;

  } regmatch_t;

  参数preg指向编译后的正则表达式,参数string是将要进行匹配的字符串,而参数nmatch和pmatch则用于把匹配结果返回给调用程序,最后一个参数eflags决定了匹配的细节。

  在调用函数regexec()进行模式匹配的过程中,可能在字符串string中会有多处与给定的正则表达式相匹配,参数pmatch就是用来 保存这些匹配位置的,而参数nmatch则告诉函数regexec()最多可以把多少个匹配结果填充到pmatch数组中。当regexec()函数成功 返回时,从string+pmatch[0].rm_so到string+pmatch[0].rm_eo是第一个匹配的字符串,而从string+ pmatch[1].rm_so到string+pmatch[1].rm_eo,则是第二个匹配的字符串,依此类推。

  释放正则表达式

  无论什么时候,当不再需要已经编译过的正则表达式时,都应该调用函数regfree()将其释放,以免产生内存泄漏。

  void regfree(regex_t *preg);

  函数regfree()不会返回任何结果,它仅接收一个指向regex_t数据类型的指针,这是之前调用regcomp()函数所得到的编译结果。

  如果在程序中针对同一个regex_t结构调用了多次regcomp()函数,POSIX标准并没有规定是否每次都必须调用regfree() 函数进行释放,但建议每次调用regcomp()函数对正则表达式进行编译后都调用一次regfree()函数,以尽早释放占用的存储空间。

  报告错误信息

  如果调用函数regcomp()或regexec()得到的是一个非0的返回值,则表明在对正则表达式的处理过程中出现了某种错误,此时可以通过调用函数regerror()得到详细的错误信息。

  size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size);

  参数errcode是来自函数regcomp()或regexec()的错误代码,而参数preg则是由函数regcomp()得到的编译结 果,其目的是把格式化消息所必须的上下文提供给regerror()函数。在执行函数regerror()时,将按照参数errbuf_size指明的最 大字节数,在errbuf缓冲区中填入格式化后的错误信息,同时返回错误信息的长度。

  应用正则表达式

  最后给出一个具体的实例,介绍如何在C语言程序中处理正则表达式。

  #include <stdio.h>

  #include <sys/types.h>

  #include <regex.h>

  /* 取子串的函数 */

  static char* substr(const char*str, unsigned start, unsigned end)

  {

  unsigned n = end - start;

  static char stbuf[256];

  strncpy(stbuf, str + start, n);

  stbuf[n] = 0;

  return stbuf;

  }

  /* 主程序 */

  int main(int argc, char** argv)

  {

  char * pattern;

  int x, z, lno = 0, cflags = 0;

  char ebuf[128], lbuf[256];

  regex_t reg;

  regmatch_t pm[10];

  const size_t nmatch = 10;

  /* 编译正则表达式*/

  pattern = argv[1];

  z = regcomp(®, pattern, cflags);

  if (z != 0){

  regerror(z, ®, ebuf, sizeof(ebuf));

  fprintf(stderr, "%s: pattern '%s' \n", ebuf, pattern);

  return 1;

  }

  /* 逐行处理输入的数据 */

  while(fgets(lbuf, sizeof(lbuf), stdin)) {

  ++lno;

  if ((z = strlen(lbuf)) > 0 && lbuf[z-1] == '\n')

  lbuf[z - 1] = 0;

  /* 对每一行应用正则表达式进行匹配 */

  z = regexec(®, lbuf, nmatch, pm, 0);

  if (z == REG_NOMATCH) continue;

  else if (z != 0) {

  regerror(z, ®, ebuf, sizeof(ebuf));

  fprintf(stderr, "%s: regcom('%s')\n", ebuf, lbuf);

  return 2;

  }

  /* 输出处理结果 */

  for (x = 0; x < nmatch && pm[x].rm_so != -1; ++ x) {

  if (!x) printf("%04d: %s\n", lno, lbuf);

  printf(" $%d='%s'\n", x, substr(lbuf, pm[x].rm_so, pm[x].rm_eo));

  }

  }

  /* 释放正则表达式 */

  regfree(®);

  return 0;

  }

  上述程序负责从命令行获取正则表达式,然后将其运用于从标准输入得到的每行数据,并打印出匹配结果。执行下面的命令可以编译并执行该程序:

  # gcc regexp.c -o regexp

  # ./regexp 'regex[a-z]*' < regexp.c

  0003: #include

  $0='regex'

  0027: regex_t reg;

  $0='regex'

  0054: z = regexec(®, lbuf, nmatch, pm, 0);

  $0='regexec'

  小结

  对那些需要进行复杂数据处理的程序来说,正则表达式无疑是一个非常有用的工具。本文重点在于阐述如何在C语言中利用正则表达式来简化字符串处理,以便在数据处理方面能够获得与Perl语言类似的灵活性。


没有评论: