正则表达式（regex vs pcre）

正则表达式，一般简称regex、regexp、re，广泛应用于grep、vim、sed等。 具体实现很多，比较常见的有regex和pcre。

regex，是posix接口，多数C标准库自带，Linux下通过/usr/include/regex.h或者man regex查看。

接口只有四个：regcomp、regexec、regerror、regfree
      #include
　　#include
　　#include
　　#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;      /* 存储编译好的正则表达式，正则表达式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    [] = "111 222"; /* 源字符串 */
　　char          pattern [] = ""; /* pattern字符串 */

　　printf("String : %s\n", src);
　　printf("Pattern: \"%s\"\n", pattern);

　　/* 编译正则表达式 */
　　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 : 111 222
　　Pattern: ""
　　Total has subexpression: 1
　　OK, has matched ...
　　begin: %, len = 4   match:
　　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""，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，但对正则表达式的支持不够强大，中文处理也有问题，于是引出了下面要说的PCRE。

pcre(Perl Compatible Regular Exprssions)，有完善的使用说明和示例代码。

接口很多，常用的有：pcre_compile()、pcre_study()、pcre_exec()、pcre_free()。

将上面的regex代码修改如下：

　　#include
　　#include
　　#include
　　#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 [] = "111 222";
　　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;
　　}

　　执行结果是：
　　CODE:String : 111 222
　　Pattern: ""
　　OK, has matched ...
　　0:
　　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_study，可以加速匹配；如果编译之后多次使用，可以使用该功能。
　　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"。

参考了很多网络资料，部分链接如下，在此一并致谢！

声明：本人博客仅供个人学习用途，无意侵权；如果任何人有任何异议，请及时发消息通知本人修改。谢谢！