在C语言中利用PCRE实现正则表达式

在C语言中利用PCRE实现正则表达式

http://dev.jizhiinfo.net/?post=49(转载地址)

 

1. PCRE简介

2. 正则表达式定义

3. PCRE正则表达式的定义

4. PCRE的函数简介

5. 使用PCRE在C语言中实现正则表达式的解析

6. PCRE函数在C语言中的使用小例子

 

 

 

 

1. PCRE简介

PCRE(Perl Compatible Regular Expressions即：perl语言兼容正则表达式)是一个用C语言编写的正则表达式函数库，由菲利普.海泽(Philip Hazel)编写。PCRE是一个轻量级的函数库，比Boost之中的正则表达式库小得多。PCRE十分易用，同时功能也很强大，性能超过了POSIX正则表达式库和一些经典的正则表达式库[1]。

和Boost正则表达式库的比较显示[2]，双方的性能相差无几，PCRE在匹配简单字符串时更快，Boost则在匹配较长字符串时胜出---但两者差距很小，考虑到PCRE的大小和易用性，我们可以认为PCRE更值得考虑。

PCRE被广泛使用在许多开源软件之中，最著名的莫过于Apache HTTP服务器和PHP脚本语言、R脚本语言，此外，正如从其名字所能看到的，PCRE也是perl语言的缺省正则库。

PCRE是用C语言实现的，其C++实现版本是PCRE++。

2. 正则表达式定义

一个正则表达式就是由普通字符（例如字符 a 到 z）以及特殊字符（称为元字符）组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

例如下面一些正则表达式：

^(-?\d+)(\.\d+)?$　    匹配浮点数

^[A-Za-z]+$            匹配由26个英文字母组成的字符串

^[A-Z]+$　             匹配由26个英文字母的大写组成的字符串

^[a-z]+$　　           匹配由26个英文字母的小写组成的字符串

^[A-Za-z0-9]+$　　     匹配由数字和26个英文字母组成的字符串

^\w+$　　              匹配由数字、26个英文字母或者下划线组成的字符串

^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$　　　　 匹配email地址

当然，可能你会问上面这些表达式为什么是这样写。这里就暂时不做多讲，因为本文主要讲的是PCRE库的应用，所以想了解更多的话，可以看我下面的[附录1]，里面有全部正则表式用到的元字符说明。或参考网址[3]正则表达式语言元素msdn文档。

3. PCRE正则表达式的定义

用于描述字符排列和匹配模式的一种语法规则。它主要用于字符串的模式分割、匹配、查找及替换操作。

正则中重要的几个概念有：元字符、转义、模式单元（重复）、反义、引用和断言。

 

常用的元字符(Meta-character)

元字符    说明

\A     匹配字符串串首的原子

\Z     匹配字符串串尾的原子

\b     匹配单词的边界/\bis/匹配头为is的字符串/is\b/ 匹配尾为is的字符串 /\bis\b/ 定界

\B     匹配除单词边界之外的任意字符   /\Bis/   匹配单词“This”中的“is”

\d     匹配一个数字；等价于[0-9]

\D     匹配除数字以外任何一个字符；等价于[^0-9]

\w     匹配一个英文字母、数字或下划线；等价于[0-9a-zA-Z_]

\W     匹配除英文字母、数字和下划线以外任何一个字符；等价于[^0-9a-zA-Z_]

\s     匹配一个空白字符；等价于[\f\t\v]

\S     匹配除空白字符以外任何一个字符；等价于[^\f\t\v]

\f     匹配一个换页符等价于 \x0c 或 \cL

匹配一个换行符；等价于 \x0a 或 \cJ

匹配一个回车符等价于\x0d 或 \cM

\t     匹配一个制表符；等价于 \x09\或\cl

\v     匹配一个垂直制表符；等价于\x0b或\ck

\oNN    匹配一个八进制数字

\xNN    匹配一个十六进制数字

\cC     匹配一个控制字符

 

模式修正符（Pattern Modifiers）

模式修正符在忽略大小写、匹配多行中使用特别多，掌握了这一个修正符，往往能解决我们遇到的很多问题。

i     －可同时匹配大小写字母

M     －将字符串视为多行

S     －将字符串视为单行，换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计 

U     －匹配到最近的字符串

e     －将替换的字符串作为表达使用

格式：/apple/i匹配“apple”或“Apple”等，忽略大小写。 

当然这里还有很多种情况，在这里就不一一描述出来了。

4. PCRE的函数简介

PCRE是一个NFA正则引擎，不然不能提供完全与Perl一致的正则语法功能。但它同时也实现了DFA，只是满足数学意义上的正则。

PCRE提供了19个接口函数。

这里只介绍了几个主要和常用的接口函数，另外的可通过PCRE源码文档进行了解。注意，使用PCRE主要是使用下面介绍的前四个函数，对这四个函数有了了解，使用PCRE库的时候就会简单很多了。

下面所讲的函数，都在PCRE头文件上定义申明：#include <pcre.h>。

1.pcre_compile

函数原型：

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

功能：将一个正则表达式编译成一个内部表示，在匹配多个字符串时，可以加速匹配。其同pcre_compile2功能一样只是缺少一个参数errorcodeptr。

参数说明：

pattern   正则表达式

options   为0，或者其他参数选项

errptr   出错消息

erroffset  出错位置

tableptr  指向一个字符数组的指针，可以设置为空NULL。 

2. pcre_compile2

函数原型：

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

功能：将一个正则表达式编译成一个内部表示，在匹配多个字符串时，可以加速匹配。其同pcre_compile功能一样只是多一个参数errorcodeptr。

参数：

pattern     正则表达式

options     为0，或者其他参数选项

errorcodeptr 存放出错码

errptr      出错消息

erroffset   出错位置

tableptr    指向一个字符数组的指针，可以设置为空NULL。

3. pcre_exec

函数原型：

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：使用编译好的模式进行匹配，采用与Perl相似的算法，返回匹配串的偏移位置。

参数：

code         编译好的模式

extra        指向一个pcre_extra结构体，可以为NULL

subject      需要匹配的字符串

length       匹配的字符串长度（Byte）

startoffset  匹配的开始位置

options      选项位

ovector      指向一个结果的整型数组

ovecsize     数组大小。

4． pcre_study

函数原型：

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

功能：对编译的模式进行学习，提取可以加速匹配过程的信息。

参数：

code      已编译的模式

options   选项

errptr    出错消息

5. pcre_version

函数原型：

char *pcre_version(void)

功能：返回PCRE的版本信息。

参数：无。 

6. pcre_config

函数原型：

int pcre_config(int what, void *where)

功能：查询当前PCRE版本中使用的选项信息。

参数：

what        选项名

where       存储结果的位置

7．pcre_maketables

函数原型：

const unsigned char *pcre_maketables(void)

功能：生成一个字符表，表中每一个元素的值不大于256，可以用它传给pcre_compile()替换掉内建的字符表。

参数：无

5. 使用PCRE在C语言中实现正则表达式的解析

上述讲了这么多PCRE相关函数的介绍，目的还是为了能够运用上，所以这里就先讲解下使用PCRE的过程。主要过程分三步走第一步编译正则表达式；第二匹配正则表达式；第三步释放正则表达式。

1．编译正则表达式

为了提高效率，在将一个字符串与正则表达式进行比较之前，首先要用pcre_compile() /pcre_compile2() 函数对它时行编译，转化成PCRE引擎能够识别的结构（struct real_pcre）。

这里还可以调用pcre_study()函数，对编译后的正则表达式结构（struct real_pcre）时行分析和学习，学习的结果是一个数据结构（struc pcre_extra），这个数据结构连同编译后的规则（struct real_pcre）可以一起送给pcre_exec单元进行匹配。

2.匹配正则表达式

一旦用函数pcre_compile() /pcre_compile2()成功地编译了正则表达式，接下来就可以调用pcre_exec（）函数完成模式匹配。根据正则表达式到指定的字符串中进行查找和匹配,并输出匹配的结果。

3. 释放正则表达式

无论什么时候，当不再需要已经编译过的正则表达式时，都应该调用函数free()将其释放，以免产生内在泄漏。

6. PCRE函数在C语言中的使用小例子  

在使用PCRE库时，首先肯定是需要安装pcre的，不过一般的系统都会有自带的PCRE库。不过如果想使用最新版本的话，也可以自已下载一个安装包。我这里下载的安装是pcre-8.13.tar.gz版本。安装过程很简单，把安装包上传需要安装的服务器上，安装时默认路径即可，我是在linux环境下安装的，执行命令如下：

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

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

此两步即可安装完成，安装成功后的头文件在：/usr/local/include, 库文件在:/usr/local/lib 。

下面是我的一个使用PCRE库函数的一个小例子，其功能是匹配手机号码的正则表达式是否成功，分成四类手机号码时行匹配，分别是移动、电信、联通和CDMA的手机号。里面用到了PCRE库函数中的pcre_compile()和pcre_exec()：

因为我是在linux下编译C程序的，所以要用到makefile文件。注意：如果你在编译时出现提示：

/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'

没有定义pcre.h文件里面的函数时，是因为没有链接到库文件里，这时可以能过修改makefile，在l里面添加一个lpcre即可。然后在编译便可成功。

1. #include <stdio.h>
2. #include <stdlib.h>
3. #include <string.h>
4. #include <pcre.h>
5. 
   
6. #define OVECCOUNT 30    /* should be a multiple of 3 */
7. #define EBUFLEN 128            
8. #define BUFLEN 1024
9. 
   
10. int main()
11. {
12.       pcre *reCM, *reUN, *reTC, *reCDMA; 
13.       const char *error;
14.       int erroffset;
15.       int ovector[OVECCOUNT];
16.       int rcCM, rcUN, rcTC, rcCDMA, i; 
17. /*        
18.       常用号段前三位
19.       中国移动CM：134.135.136.137.138.139.150.151.152.157.158.159.187.188 ,147(数据卡)
20.       中国联通UN：130.131.132.155.156.185.186 
21.       中国电信TC：133.153.180.189 
22.       CDMA ：133,153
23. */
24.       char src[22];  
25.       char pattern_CM[] = "^1(3[4-9]|5[012789]|8[78])\\d{8}$";      //正则表达式
26.       char pattern_UN[] = "^1(3[0-2]|5[56]|8[56])\\d{8}$";
27.       char pattern_TC[] = "^18[09]\\d{8}$";
28.       char pattern_CDMA[] = "^1[35]3\\d{8}$";
29.       
30.       printf("Please input your telephone number \n");
31.       scanf("%s", src);
32.       printf("String : %s\n", src);
33.       printf("Pattern_CM: \"%s\"\n", pattern_CM);
34.       printf("Pattern_UN: \"%s\"\n", pattern_UN);
35.       printf("Pattern_TC: \"%s\"\n", pattern_TC);
36.       printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);
37.        
38.       reCM = pcre_compile(pattern_CM, 0, &error, &erroffset, NULL);  //将正则表达式编译成pcre内部表示结构
39.       reUN = pcre_compile(pattern_UN, 0, &error, &erroffset, NULL);
40.       reTC = pcre_compile(pattern_TC, 0, &error, &erroffset, NULL);
41.       reCDMA = pcre_compile(pattern_CDMA, 0, &error, &erroffset, NULL);
42.         
43.       if (reCM==NULL && reUN==NULL && reTC==NULL && reCDMA==NULL) {
44.        printf("PCRE compilation telephone failed at offset %d: %s\n", erroffset,  error);
45.         return 1;        
46.       }
47. 
    
48.       rcCM = pcre_exec(reCM, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);  //匹配pcre编译好的模式，成功返回正数，失败返回负数
49.       rcUN = pcre_exec(reUN, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
50.       rcTC = pcre_exec(reTC, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
51.       rcCDMA = pcre_exec(reCDMA, NULL, src, strlen(src), 0, 0, ovector, OVECCOUNT);
52.        
53.       if (rcCM<0 && rcUN<0 && rcTC<0 && rcCDMA<0) {      //若没匹配返回错误信息
54.        if (rcCM==PCRE_ERROR_NOMATCH && rcUN==PCRE_ERROR_NOMATCH &&
55.        rcTC==PCRE_ERROR_NOMATCH && rcTC==PCRE_ERROR_NOMATCH) {
56.        printf("Sorry, no match ...\n");        
57.         }
58.         else {
59.          printf("Matching error %d\n", rcCM);
60.          printf("Matching error %d\n", rcUN);
61.          printf("Matching error %d\n", rcTC);
62.          printf("Matching error %d\n", rcCDMA);
63.         }   
64.         
65.         free(reCM);
66.         free(reUN);
67.         free(reTC);
68.         free(reCDMA);
69.           
70.         return 1;
71.       }
72. 
    
73.       printf("\nOK, has matched ...\n\n");  //匹配成功把对应的正则表达式和号码打印出来
74. 
    
75.       if (rcCM > 0) {
76.        printf("Pattern_CM: \"%s\"\n", pattern_CM);
77.         printf("String : %s\n", src);
78.       }
79. 
    
80.       if (rcUN > 0) {
81.        printf("Pattern_UN: \"%s\"\n", pattern_UN);  
82.         printf("String : %s\n", src);    
83.       }
84. 
    
85.       if (rcTC > 0) {
86.        printf("Pattern_TC: \"%s\"\n", pattern_TC);
87.         printf("String : %s\n", src);
88.       }
89.        
90.       if (rcCDMA > 0) {
91.        printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);   
92.         printf("String : %s\n", src);
93.       }
94. 
    
95.       free(reCM);        //释放内存
96.       free(reUN);
97.       free(reTC);
98.       free(reCDMA);
99.         
100.       return 0;
101. }

下面是编译通过后，运行程序后的结果：

按照提示输入手机号：13591995735（移动手机号）

<!--[endif]-->

随便输入一个号码：7459812

<!--[endif]-->

输入联通手机号码：13006666039 

<!--[endif]-->

输入电信手机号码：18900000036

[1]：一些正则表达库的对比

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

[2]：Boost和PCRE正则库的性能对比

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

[3]：正则表达式语言元素

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

 

 

 

 

 

 

 

附录1：

元字符及其在正则表达式上下文中的行为的一个完整列表：

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 后向引用、或一个八进制转义符。例如，'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。
^	匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 '\n' 或 '\r' 之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 '\n' 或 '\r' 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}	n 是一个非负整数。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,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。刘， "o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。
.	匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。
(pattern)	匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ' ′或′ '。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern)	正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。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"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	负向预查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。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"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
x|y	匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非单词边界。'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 匹配一个 Control-M 或回车符。 x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
\W	匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如， '\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。.
\num	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)\1' 匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个后向引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为后向引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm	标识一个八进制转义值或一个后向引用。如果 \nm 之前至少有is preceded by at least nm 个获取得子表达式，则 nm 为后向引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足，若  n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。