在C語言中利用PCRE實現正則表達式

1. PCRE簡介

2. 正則表達式定義

3. PCRE正則表達式的定義

4. PCRE的函數簡介

5. 使用PCRE在C語言中實現正則表達式的解析

6. PCRE函數在C語言中的使用小例子

 1. PCRE簡介
    PCRE(Perl Compatible Regular Expressions即：perl語言兼容正則表達式)是一個用C語言編寫的正則表達式函數庫，由菲利普.海澤(Philip Hazel)編寫。PCRE是一個輕量級的函數庫，比Boost之中的正則表達式庫小得多。PCRE十分易用，同時功能也很強大，性能超過了POSIX正則表達式庫和一些經典的正則表達式庫[1]。
        和Boost正則表達式庫的比較顯示[2]，雙方的性能相差無幾，PCRE在匹配簡單字符串時更快，Boost則在匹配較長字符串時勝出---但兩者差距很小，考慮到PCRE的大小和易用性，我們可以認爲PCRE更值得考慮。
        PCRE被廣泛使用在許多開源軟件之中，最著名的莫過於Apache HTTP服務器和PHP腳本語言、R腳本語言，此外，正如從其名字所能看到的，PCRE也是perl語言的缺省正則庫。
        PCRE是用C語言實現的，其C++實現版本是PCRE++。

2. 正則表達式定義

一個正則表達式就是由普通字符（例如字符 a 到 z）以及特殊字符（稱爲元字符）組成的文字模式。該模式描述在查找文字主體時待匹配的一個或多個字符串。正則表達式作爲一個模板，將某個字符模式與所搜索的字符串進行匹配。
例如下面一些正則表達式：
^(-?\d+)(\.\d+)?$　    匹配浮點數
^[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個英文字母或者下劃線組成的字符串
^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$　　　　 匹配email地址
        當然，可能你會問上面這些表達式爲什麼是這樣寫。這裏就暫時不做多講，因爲本文主要講的是PCRE庫的應用，所以想了解更多的話，可以看我下面的[附錄1]，裏面有全部正則表式用到的元字符說明。或參考網址[3]正則表達式語言元素msdn文檔。

3. PCRE正則表達式的定義

用於描述字符排列和匹配模式的一種語法規則。它主要用於字符串的模式分割、匹配、查找及替換操作。正則中重要的幾個概念有：元字符、轉義、模式單元（重複）、反義、引用和斷言。

常用的元字符(Meta-character)
        元字符    說明
        \A     匹配字符串串首的原子
        \Z     匹配字符串串尾的原子
        \b     匹配單詞的邊界/\bis/匹配頭爲is的字符串/is\b/ 匹配尾爲is的字符串 /\bis\b/ 定界
        \B     匹配除單詞邊界之外的任意字符   /\Bis/   匹配單詞“This”中的“is”
        \d     匹配一個數字；等價於[0-9]
        \D     匹配除數字以外任何一個字符；等價於[^0-9]
        \w     匹配一個英文字母、數字或下劃線；等價於[0-9a-zA-Z_]
        \W     匹配除英文字母、數字和下劃線以外任何一個字符；等價於[^0-9a-zA-Z_]
        \s     匹配一個空白字符；等價於[\f\t\v]   
        \S     匹配除空白字符以外任何一個字符；等價於[^\f\t\v]
        \f     匹配一個換頁符等價於 \x0c 或 \cL
        匹配一個換行符；等價於 \x0a 或 \cJ
        匹配一個回車符等價於\x0d 或 \cM
        \t     匹配一個製表符；等價於 \x09\或\cl
        \v     匹配一個垂直製表符；等價於\x0b或\ck
        \oNN    匹配一個八進制數字
        \xNN    匹配一個十六進制數字
        \cC     匹配一個控制字符

模式修正符（Pattern Modifiers）
        模式修正符在忽略大小寫、匹配多行中使用特別多，掌握了這一個修正符，往往能解決我們遇到的很多問題。
        i     －可同時匹配大小寫字母
        M     －將字符串視爲多行
        S     －將字符串視爲單行，換行符做普通字符看待，使“.”匹配任何字符
        X     －模式中的空白忽略不計 
        U     －匹配到最近的字符串
        e     －將替換的字符串作爲表達使用
        
格式：/apple/i匹配“apple”或“Apple”等，忽略大小寫。 當然這裏還有很多種情況，在這裏就不一一描述出來了。

4. PCRE的函數簡介

PCRE是一個NFA正則引擎，不然不能提供完全與Perl一致的正則語法功能。但它同時也實現了DFA，只是滿足數學意義上的正則。
        PCRE提供了19個接口函數。
        這裏只介紹了幾個主要和常用的接口函數，另外的可通過PCRE源碼文檔進行了解。注意，使用PCRE主要是使用下面介紹的前四個函數，對這四個函數有了瞭解，使用PCRE庫的時候就會簡單很多了。
        下面所講的函數，都在PCRE頭文件上定義申明：#include 。.h>

1.pcre_compile
        函數原型：
        pcre *pcre_compile(const char *pattern, int options, const char **errptr, int *erroffset, const unsigned char *tableptr)
功能：將一個正則表達式編譯成一個內部表示，在匹配多個字符串時，可以加速匹配。其同pcre_compile2功能一樣只是缺少一個參數errorcodeptr。
        參數說明：

pattern   正則表達式

options   爲0，或者其他參數選項

errptr   出錯消息

erroffset  出錯位置

tableptr  指向一個字符數組的指針，可以設置爲空NULL。 

2. pcre_compile2

函數原型：

pcre *pcre_compile2(const char *pattern, int options, int *errorcodeptr, const char **errptr, int *erroffset, const unsigned char *tableptr)

功能：將一個正則表達式編譯成一個內部表示，在匹配多個字符串時，可以加速匹配。其同pcre_compile功能一樣只是多一個參數errorcodeptr。

參數：

pattern     正則表達式

options     爲0，或者其他參數選項

errorcodeptr 存放出錯碼

errptr      出錯消息

erroffset   出錯位置

tableptr    指向一個字符數組的指針，可以設置爲空NULL。

3. pcre_exec

函數原型：

int pcre_exec(const pcre *code, const pcre_extra *extra, const char *subject, int length, int startoffset, int options, int *ovector, int ovecsize)

功能：使用編譯好的模式進行匹配，採用與Perl相似的算法，返回匹配串的偏移位置。

參數：

code         編譯好的模式

extra        指向一個pcre_extra結構體，可以爲NULL

subject      需要匹配的字符串

length       匹配的字符串長度（Byte）

startoffset  匹配的開始位置

options      選項位

ovector      指向一個結果的整型數組

ovecsize     數組大小。

4． pcre_study

函數原型：

pcre_extra *pcre_study(const pcre *code, int options, const char **errptr)

功能：對編譯的模式進行學習，提取可以加速匹配過程的信息。

參數：

code      已編譯的模式

options   選項

errptr    出錯消息

5. pcre_version

函數原型：

char *pcre_version(void)

功能：返回PCRE的版本信息。

參數：無。 

6. pcre_config

函數原型：

int pcre_config(int what, void *where)

功能：查詢當前PCRE版本中使用的選項信息。

參數：

what        選項名

where       存儲結果的位置

7．pcre_maketables

函數原型：

const unsigned char *pcre_maketables(void)

功能：生成一個字符表，表中每一個元素的值不大於256，可以用它傳給pcre_compile()替換掉內建的字符表。

參數：無

5. 使用PCRE在C語言中實現正則表達式的解析

上述講了這麼多PCRE相關函數的介紹，目的還是爲了能夠運用上，所以這裏就先講解下使用PCRE的過程。主要過程分三步走第一步編譯正則表達式；第二匹配正則表達式；第三步釋放正則表達式。

1．編譯正則表達式

爲了提高效率，在將一個字符串與正則表達式進行比較之前，首先要用pcre_compile() /pcre_compile2() 函數對它時行編譯，轉化成PCRE引擎能夠識別的結構（struct real_pcre）。

這裏還可以調用pcre_study()函數，對編譯後的正則表達式結構（struct real_pcre）時行分析和學習，學習的結果是一個數據結構（struc pcre_extra），這個數據結構連同編譯後的規則（struct real_pcre）可以一起送給pcre_exec單元進行匹配。

2. 匹配正則表達式

一旦用函數pcre_compile() /pcre_compile2()成功地編譯了正則表達式，接下來就可以調用pcre_exec（）函數完成模式匹配。根據正則表達式到指定的字符串中進行查找和匹配,並輸出匹配的結果。

3. 釋放正則表達式

無論什麼時候，當不再需要已經編譯過的正則表達式時，都應該調用函數free()將其釋放，以免產生內在泄漏。

6. PCRE函數在C語言中的使用小例子  

在使用PCRE庫時，首先肯定是需要安裝pcre的，不過一般的系統都會有自帶的PCRE庫。不過如果想使用最新版本的話，也可以自已下載一個安裝包。我這裏下載的安裝是pcre-8.13.tar.gz版本。安裝過程很簡單，把安裝包上傳需要安裝的服務器上，安裝時默認路徑即可，我是在linux環境下安裝的，執行命令如下：

1.[root@host70-151 pcre-8.13]# ./configure

2.[root@host70-151 pcre-8.13]# make && make install

此兩步即可安裝完成，安裝成功後的頭文件在：/usr/local/include, 庫文件在:/usr/local/lib 。

下面是我的一個使用PCRE庫函數的一個小例子，其功能是匹配手機號碼的正則表達式是否成功，分成四類手機號碼時行匹配，分別是移動、電信、聯通和CDMA的手機號。裏面用到了PCRE庫函數中的pcre_compile()和pcre_exec()：

因爲我是在linux下編譯C程序的，所以要用到makefile文件。注意：如果你在編譯時出現提示：

/usr/zej/zej_test/kernel/pcre_test2.c:29: undefined reference to `pcre_compile'

/usr/zej/zej_test/kernel/pcre_test2.c:35: undefined reference to `pcre_exec'

沒有定義pcre.h文件裏面的函數時，是因爲沒有鏈接到庫文件裏，這時可以能過修改makefile，在l裏面添加一個lpcre即可。然後在編譯便可成功。

點擊(此處)摺疊或打開

#include <stdio.h>
#include <stdlib.h>
#include <sys/mman.h>
#include <fcntl.h>
#include <string.h>
#include <unistd.h>
#include <sys/types.h>
#include <sys/wait.h>
#include <sys/stat.h>
#include <sys/ipc.h>
#include <sys/shm.h>
#include <assert.h>
#include <sys/socket.h>
#include <netinet/in.h>
#include "pcre.h"

#include <iostream>
#include <string>

using namespace std;

#define OVECCOUNT 30 /* should be a multiple of 3 */
#define EBUFLEN 128
#define BUFLEN 1024

int main()
{
        pcre *reCM, *reUN, *reTC, *reCDMA;
        const char *error;
        int erroffset;
        int ovector[OVECCOUNT];
        int rcCM, rcUN, rcTC, rcCDMA, i;

        /*
            yidong:134.135.136.137.138.139.150.151.152.157.158.159.187.188,147
            liandong:130.131.132.155.156.185.186
            dianxin:133.153.180.189
            CDMA :133,153
         */
        char src[22];
        char pattern_CM[] = "^1(3[4-9]|5[012789]|8[78])\\d{8}$";
        char pattern_UN[] = "^1(3[0-2]|5[56]|8[56])\\d{8}$";
        char pattern_TC[] = "^18[09]\\d{8}$";
        char pattern_CDMA[] = "^1[35]3\\d{8}$";

        printf("please input your telephone number \n");
        scanf("%s", src);
        printf("String : %s\n", src);
        printf("Pattern_CM: \"%s\"\n", pattern_CM);
        printf("Pattern_UN: \"%s\"\n", pattern_UN);
        printf("Pattern_TC: \"%s\"\n", pattern_TC);
        printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);

        reCM = pcre_compile(pattern_CM, 0, &error, &erroffset, NULL);
        reUN = pcre_compile(pattern_UN, 0, &error, &erroffset, NULL);
        reTC = pcre_compile(pattern_TC, 0, &error, &erroffset, NULL);
        reCDMA = pcre_compile(pattern_CDMA, 0, &error, &erroffset, NULL);

        if (reCM==NULL && reUN==NULL && reTC==NULL && reCDMA==NULL) {
                printf("PCRE compilation telephone failed at offset %d: %s\n", erroffset, error);
                return 1;
        }

        rcCM = pcre_exec(reCM, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
        rcUN = pcre_exec(reUN, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
        rcTC = pcre_exec(reTC, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
        rcCDMA = pcre_exec(reCDMA, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);

        if (rcCM<0 && rcUN<0 && rcTC<0 && rcCDMA<0) {
                if (rcCM==PCRE_ERROR_NOMATCH && rcUN==PCRE_ERROR_NOMATCH &&
                                rcTC==PCRE_ERROR_NOMATCH && rcTC==PCRE_ERROR_NOMATCH) {
                        printf("Sorry, no match ...\n");
                }
                else {
                        printf("Matching error %d\n", rcCM);
                        printf("Matching error %d\n", rcUN);
                        printf("Matching error %d\n", rcTC);
                        printf("Matching error %d\n", rcCDMA);
                }
                free(reCM);
                free(reUN);
                free(reTC);
                free(reCDMA);
                return 1;
        }
        printf("\nOK, has matched ...\n\n");
        if (rcCM > 0) {
                printf("Pattern_CM: \"%s\"\n", pattern_CM);
                printf("String : %s\n", src);
        }
        if (rcUN > 0) {
                printf("Pattern_UN: \"%s\"\n", pattern_UN);
                printf("String : %s\n", src);
        }
        if (rcTC > 0) {
                printf("Pattern_TC: \"%s\"\n", pattern_TC);
                printf("String : %s\n", src);
        }
        if (rcCDMA > 0) {
                printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);
                printf("String : %s\n", src);
        }
        free(reCM);
        free(reUN);
        free(reTC);
        free(reCDMA);
        return 0;
}

點擊(此處)摺疊或打開

#include <stdio.h>
#include <stdlib.h>
#include <sys/mman.h>
#include <fcntl.h>
#include <string.h>
#include <unistd.h>
#include <sys/types.h>
#include <sys/wait.h>
#include <sys/stat.h>
#include <sys/ipc.h>
#include <sys/shm.h>
#include <assert.h>
#include <sys/socket.h>
#include <netinet/in.h>
#include "pcre.h"
#include <iostream>
#include <string>
using namespace std;

#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 buffer[128];
        memset(buffer,'\0',128);

        char src [] = "";
        char pattern [] = "";

        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;
}

[1]：一些正則表達庫的對比

http://www.regular-expressions.info/refflavors.html

[2]：Boost和PCRE正則庫的性能對比

http://www.boost.org/doc/libs/1_40_0/libs/regex/doc/gcc-performance.html

[3]：正則表達式語言元素

http://msdn.microsoft.com/zh-cn/library/az24scfc.aspx 

附錄1：

元字符及其在正則表達式上下文中的行爲的一個完整列表：

字符	描述
\	將下一個字符標記爲一個特殊字符、或一個原義字符、或一個 後向引用、或一個八進制轉義符。例如，'n' 匹配字符 "n"。'\n' 匹配一個換行符。序列 '\\' 匹配 "\" 而 "\(" 則匹配 "("。
^	匹配輸入字符串的開始位置。如果設置了 RegExp 對象的 Multiline 屬性，^ 也匹配 '\n' 或 '\r'之後的位置。
$	匹配輸入字符串的結束位置。如果設置了RegExp 對象的 Multiline 屬性，$ 也匹配 '\n' 或 '\r'之前的位置。
*	匹配前面的子表達式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等價於{0,}。
+	匹配前面的子表達式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等價於{1,}。
?	匹配前面的子表達式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等價於{0,1}。
{n}	n 是一個非負整數。匹配確定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food"中的兩個 o。
{n,}	n 是一個非負整數。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood"中的所有 o。'o{1,}' 等價於 'o+'。'o{0,}' 則等價於 'o*'。
{n,m}	m 和 n 均爲非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。劉， "o{1,3}" 將匹配"fooooood" 中的前三個 o。'o{0,1}' 等價於 'o?'。請注意在逗號和兩個數之間不能有空格。
?	當該字符緊跟在任何一個其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 後面時，匹配模式是非貪婪的。非貪婪模式儘可能少的匹配所搜索的字符串，而默認的貪婪模式則儘可能多的匹配所搜索的字符串。例如，對於字符串 "oooo"，'o+?' 將匹配單個 "o"，而 'o+' 將匹配所有 'o'。
.	匹配除 "\n" 之外的任何單個字符。要匹配包括 '\n' 在內的任何字符，請使用象 '[.\n]' 的模式。
(pattern)	匹配pattern 並獲取這一匹配。所獲取的匹配可以從產生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中則使用 $0…$9 屬性。要匹配圓括號字符，請使用 '\(' 或 '\)'。
(?:pattern)	匹配 pattern 但不獲取匹配結果，也就是說這是一個非獲取匹配，不進行存儲供以後使用。這在使用"或" 字符 (|) 來組合一個模式的各個部分是很有用。例如， 'industr(?:y|ies) 就是一個比'industry|industries' 更簡略的表達式。
(?=pattern)	正向預查，在任何匹配 pattern 的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以後使用。例如， 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的"Windows" ，但不能匹配 "Windows 3.1" 中的 "Windows"。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配之後立即開始下一次匹配的搜索，而不是從包含預查的字符之後開始。
(?!pattern)	負向預查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以後使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的"Windows"，但不能匹配 "Windows 2000" 中的 "Windows"。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配之後立即開始下一次匹配的搜索，而不是從包含預查的字符之後開始
x|y	匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 則匹配 "zood" 或 "food"。
[xyz]	字符集合。匹配所包含的任意一個字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]	負值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]	字符範圍。匹配指定範圍內的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 範圍內的任意小寫字母字符。
[^a-z]	負值字符範圍。匹配任何不在指定範圍內的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z'範圍內的任意字符。
\b	匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非單詞邊界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\cx	匹配由x指明的控制字符。例如， \cM 匹配一個 Control-M 或回車符。 x 的值必須爲 A-Z 或 a-z 之一。否則，將 c 視爲一個原義的 'c' 字符。
\d	匹配一個數字字符。等價於 [0-9]。
\D	匹配一個非數字字符。等價於 [^0-9]。
\f	匹配一個換頁符。等價於 \x0c 和 \cL。
\n	匹配一個換行符。等價於 \x0a 和 \cJ。
\r	匹配一個回車符。等價於 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。
\t	匹配一個製表符。等價於 \x09 和 \cI。
\v	匹配一個垂直製表符。等價於 \x0b 和 \cK。
\w	匹配包括下劃線的任何單詞字符。等價於'[A-Za-z0-9_]'。
\W	匹配任何非單詞字符。等價於 '[^A-Za-z0-9_]'。
\xn	匹配 n，其中 n 爲十六進制轉義值。十六進制轉義值必須爲確定的兩個數字長。例如， '\x41' 匹配"A"。'\x041' 則等價於 '\x04' & "1"。正則表達式中可以使用 ASCII 編碼。.
\num	匹配 num，其中 num 是一個正整數。對所獲取的匹配的引用。例如，'(.)\1' 匹配兩個連續的相同字符。
\n	標識一個八進制轉義值或一個後向引用。如果 \n 之前至少 n 個獲取的子表達式，則 n 爲後向引用。否則，如果 n 爲八進制數字 (0-7)，則 n 爲一個八進制轉義值。
\nm	標識一個八進制轉義值或一個後向引用。如果 \nm 之前至少有is preceded by at least nm 個獲取得子表達式，則 nm 爲後向引用。如果 \nm 之前至少有 n 個獲取，則 n 爲一個後跟文字 m 的後向引用。如果前面的條件都不滿足，若  n 和 m 均爲八進制數字 (0-7)，則 \nm 將匹配八進制轉義值 nm。
\nml	如果 n 爲八進制數字 (0-3)，且 m 和 l 均爲八進制數字 (0-7)，則匹配八進制轉義值 nml。
\un	匹配 n，其中 n 是一個用四個十六進制數字表示的 Unicode 字符。例如， \u00A9 匹配版權符號(?)。