在C/C++語言中使用Regex

說起Regex（Regular Expression），也許有的朋友天天都在使用，比如grep、vim、sed、awk，只是可能對這個名詞不大熟悉。Regex一般簡寫為regex或者regexp，甚至是RE。關於Regex的介紹，有很多的文章，用搜尋引擎尋找就可以找到很不錯的使用說明。但是在C/C++語言中如何去使用，相應的介紹比較缺乏。大多數C標準庫內建regex，可以通過/usr/include/regex.h去看，或者man regex看使用說明。perl，php等語言更是提供了功能強大的Regex，最著名的C語言Regex庫為PCRE（Perl
Compatible Regular Expression）。本文主要對regex和pcre的使用做一點入門介紹。
　　1、regex
　　regex的使用非常簡單，只要看一下範例程式碼1就能明白（範例程式碼是從“GNU C 規則運算式入門”這篇文章裡摘取出來的，是否為原始出處就
　　不得而知了）。
　　CODE:#include <stdio.h>
　　#include <string.h>
　　#include <regex.h>
　　#define SUBSLEN 10              /* 匹配子串的數量 */
　　#define EBUFLEN 128          /* 錯誤訊息buffer長度 */
　　#define BUFLEN 1024          /* 匹配到的字串buffer長度 */
　　int main()
　　{
　　size_t       len;
　　regex_t       re;      /* 儲存編譯好的Regex，Regex在使用之前要經過編譯 */
　　regmatch_t    subs [SUBSLEN]; /* 儲存匹配到的字串位置 */
　　char          matched [BUFLEN];     /* 儲存匹配到的字串 */
　　char          errbuf [EBUFLEN]; /* 儲存錯誤訊息 */
　　int          err, i;
　　char          src    [] = "111 <title>Hello World</title> 222"; /* 源字串 */
　　char          pattern [] = "<title>(.*)</title>"; /* pattern字串 */
　　printf("String : %s\n", src);
　　printf("Pattern: \"%s\"\n", pattern);
　　/* 編譯Regex */
　　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);
　　/* 執行模式比對 */
　　err = regexec(&re, src, (size_t) SUBSLEN, subs, 0);
　　if (err == REG_NOMATCH) { /* 沒有匹配成功 */
　　printf("Sorry, no match ...\n");
　　regfree(&re);
　　return 0;
　　} else if (err) {   /* 其它錯誤 */
　　len = regerror(err, &re, errbuf, sizeof(errbuf));
　　printf("error: regexec: %s\n", errbuf);
　　return 1;
　　}
　　/* 如果不是REG_NOMATCH並且沒有其它錯誤，則模式比對上 */
　　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); /* 注釋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); /* 用完了別忘了釋放 */
　　return (0);
　　}
　　執行結果是
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern: "<title>(.*)</title>"
　　Total has subexpression: 1
　　OK, has matched ...
　　begin: %, len = 4   match: <title>Hello World</title>
　　subexpression 1 begin: 11, len = 11   match: Hello World
　　從樣本程式可以看出，使用之前先用regcomp()編譯一下，然後調用regexec()進行實際匹配。如果只是看有沒有匹配成功，掌握這2個函數的用法即可。有時候我們想要取得匹配後的子運算式，比如樣本中想獲得title是什麼，需要用小括弧 "( )"把子運算式括起來"<title>(.*)</title>"，運算式引擎會將小括弧 "( )" 包含的運算式所匹配到的字串記錄下來。在擷取匹配結果的時候，小括弧包含的運算式所匹配到
　　的字串可以單獨擷取，樣本程式就是我用來擷取http網頁的主題（title）的方式。
　　regmatch_t subs[SUBSLEN]是用來存放匹配位置的，subs[0]裡存放這個匹配的字串位置，subs[1]裡存放第一個子運算式的匹配位置，也就是例子中的title，通過結構裡的rm_so和rm_eo可以取到，這一點很多人不太注意，應該強調一下。
　　注釋1：開始調試代碼的時候是在FreeBSD 6.2上進行的，print出來的len總是0，但print出來的字串又沒錯，很是迷惑，把它放到Linux上則完全正常，後來仔細檢查才發現rm_so在Linux上是32位，在FreeBSD上是64位，用%d的話實際取的是rm_so的高32位，而不是實際的len，把print rm_so的地方改為%llu就可以了。
　　regex雖然簡單易用，但對Regex的支援不夠強大，中文處理也有問題，於是引出了下面要說的PCRE。
　　2、PCRE   （http://www.pcre.org）
　　PCRE的名字就說明了是Perl Compatible，熟悉Perl、PHP的人使用起來完全沒有問題。PCRE有非常豐富的使用說明和範例程式碼（看看
　　pcredemo.c就能明白基本的用法），下面的程式只是把上面regex改為pcre。
　　CODE:/* Compile thuswise:
　　* gcc -Wall pcre1.c -I/usr/local/include -L/usr/local/lib -R/usr/local/lib -lpcre
　　*
　　*/
　　#include <stdio.h>
　　#include <string.h>
　　#include <pcre.h>
　　#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 <title>Hello World</title> 222";
　　char          pattern [] = "<title>(.*)</title>";
　　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;
　　}
　　執行結果是：
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern: "<title>(.*)</title>"
　　OK, has matched ...
　　0: <title>Hello World</title>
　　1: Hello World
　　比較這2個例子可以看出，在regex用的是regcomp()、regexec()，pcre則使用pcre_compile()、pcre_exec()，用法幾乎完全一致。
　　pcre_compile()有很多選項，詳細說明參見http://www.pcre.org/pcre.txt。如果是多行文本，可以設定PCRE_DOTALL的選項pcre_complie(re,
　　PCRE_DOTALL,....)，表示'.'也匹配斷行符號換行"\r\n"。
　　3、pcre++
　　pcre++（http://www.daemon.de/PCRE）對pcre做了c++封裝，使用起來更加方便。
　　CODE:/*
　　* g++ pcre2.cpp -I/usr/local/include -L/usr/local/lib -R/usr/local/lib -lpcre++ -lpcre
　　*/
　　#include <string>
　　#include <iostream>
　　#include <pcre++.h>
　　using namespace std;
　　using namespace pcrepp;
　　int main()
　　{
　　string src("111 <title>Hello World</title> 222");
　　string pattern("<title>(.*)</title>");
　　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;
　　}
　　執行結果是：
　　CODE:String : 111 <title>Hello World</title> 222
　　Pattern : <title>(.*)</title>
　　OK, has matched ...
　　0: Hello World
　　4、oniguruma
　　還有一個Regex的庫oniguruma（http://www.geocities.jp/kosako3/oniguruma/），對於東亞文字支援比較好，開始是用在ruby上，也可用於C++，是日本的開發人員編寫的。大多數人都不會用到，也就不做介紹了。如果有疑問可以通過email來討論它的用法。
　　5、Regular Expression的內部實現
　　關於Regular Expression的實現，用到了不少自動機理論（Automata Theory）的知識，有興趣的可以找這方面的資料來看，這本書“
　　Introduction to Automata Theory, Languages, and Computation”寫的很好，編譯原理的書也有這方面的內容
詳細出處參考：http://www.jb51.net/softjc/17230.html