在C/C++语言中使用正则表达式

说起正则表达式（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。正则表达式一般简写为 regex或者regexp，甚至是RE。关于正则表达式的介绍，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正则表达式，最著名的C语言正则表达式库为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
#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。

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
#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_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++（）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
#include
#include

using namespace std;
using namespace pcrepp;

int main()
{
        string src("111 222");
        string pattern("");

        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 : 111 222
Pattern :

OK, has matched ...

0: Hello World

4、oniguruma
还有一个正则表达式的库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。