|
如何在C語言中巧用正則表達式 <?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> |
|
作者：肖文鵬 |
如果用戶熟悉Linux下的sed、awk、grep或vi，那麼對正則表達式這一概念肯定不會陌生。由於它可以極大地簡化處理字符串時的複雜度，因此現在已經在許多Linux實用工具中得到了應用。千萬不要以爲正則表達式只是Perl、Python、Bash等腳本語言的專利，作爲C語言程序員，用戶同樣可以在自己的程序中運用正則表達式。
標準的C和C++都不支持正則表達式，但有一些函數庫可以輔助C/C++程序員完成這一功能，其中最著名的當數Philip Hazel的Perl-Compatible Regular Expression庫，許多Linux發行版本都帶有這個函數庫。
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regcomp()函數對它進行編譯，將其轉化爲regex_t結構：
|
int regcomp(regex_t *preg, const char *regex, int cflags); |
參數regex是一個字符串，它代表將要被編譯的正則表達式；參數preg指向一個聲明爲regex_t的數據結構，用來保存編譯結果；參數cflags決定了正則表達式該如何被處理的細節。
如果函數regcomp()執行成功，並且編譯結果被正確填充到preg中後，函數將返回0，任何其它的返回結果都代表有某種錯誤產生。
匹配正則表達式
一旦用regcomp()函數成功地編譯了正則表達式，接下來就可以調用regexec()函數完成模式匹配：
|
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; |
參數preg指向編譯後的正則表達式，參數string是將要進行匹配的字符串，而參數nmatch和pmatch則用於把匹配結果返回給調用程序，最後一個參數eflags決定了匹配的細節。
在調用函數regexec()進行模式匹配的過程中，可能在字符串string中會有多處與給定的正則表達式相匹配，參數pmatch就是用來保存這些匹配位置的，而參數nmatch則告訴函數regexec()最多可以把多少個匹配結果填充到pmatch數組中。當regexec()函數成功返回時，從string+pmatch[0].rm_so到string+pmatch[0].rm_eo是第一個匹配的字符串，而從string+pmatch[1].rm_so到string+pmatch[1].rm_eo，則是第二個匹配的字符串，依此類推。
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regfree()將其釋放，以免產生內存泄漏。
|
void regfree(regex_t *preg); |
函數regfree()不會返回任何結果，它僅接收一個指向regex_t數據類型的指針，這是之前調用regcomp()函數所得到的編譯結果。
如果在程序中針對同一個regex_t結構調用了多次regcomp()函數，POSIX標準並沒有規定是否每次都必須調用regfree()函數進行釋放，但建議每次調用regcomp()函數對正則表達式進行編譯後都調用一次regfree()函數，以儘早釋放佔用的存儲空間。
報告錯誤信息
如果調用函數regcomp()或regexec()得到的是一個非0的返回值，則表明在對正則表達式的處理過程中出現了某種錯誤，此時可以通過調用函數regerror()得到詳細的錯誤信息。
|
size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size); |
參數errcode是來自函數regcomp()或regexec()的錯誤代碼，而參數preg則是由函數regcomp()得到的編譯結果，其目的是把格式化消息所必須的上下文提供給regerror()函數。在執行函數regerror()時，將按照參數errbuf_size指明的最大字節數，在errbuf緩衝區中填入格式化後的錯誤信息，同時返回錯誤信息的長度。
應用正則表達式
最後給出一個具體的實例，介紹如何在C語言程序中處理正則表達式。
|
#include <stdio.h> #include <sys/types.h> #include <regex.h>
/* 取子串的函數 */ 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; /* 編譯正則表達式*/ 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; } /* 逐行處理輸入的數據 */ while(fgets(lbuf, sizeof(lbuf), stdin)) { ++lno; if ((z = strlen(lbuf)) > 0 && lbuf[z-1] == '/n') lbuf[z - 1] = 0; /* 對每一行應用正則表達式進行匹配 */ 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; } /* 輸出處理結果 */ 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)); } } /* 釋放正則表達式 */ regfree(®); return 0; } |
上述程序負責從命令行獲取正則表達式，然後將其運用於從標準輸入得到的每行數據，並打印出匹配結果。執行下面的命令可以編譯並執行該程序：
|
# gcc regexp.c -o regexp # ./regexp 'regex[a-z]*' < regexp.c 0003: #include <regex.h> $0='regex' 0027: regex_t reg; $0='regex' 0054: z = regexec(®, lbuf, nmatch, pm, 0); $0='regexec' |
小結
對那些需要進行復雜數據處理的程序來說，正則表達式無疑是一個非常有用的工具。本文重點在於闡述如何在C語言中利用正則表達式來簡化字符串處理，以便在數據處理方面能夠獲得與Perl語言類似的靈活性。