国内开源项目“C语言正则表达式”——特性、使用方法、正则模式等介绍。

 

REEC是一个精简，高效的C语言正则表达式引擎，它使得C语言开发中支持正则表达式，目前已经进化到了1.2.0版本，可以说无论从功能上，还是效率都到达了很好的应用水平，该引擎除支持常用的正则标准之外，还有一些原创的特性，例如正则式的分组、模式敏感等级等等，使得正则表达式更加灵活多变。REEC 1.2.0版本特性跟功能部分虽然已经在突壳的官方文档中做了介绍，但是细节部分可能讲得不够详细乃至进行REEC二次开发或是使用上有诸多不便之处，为了能让大家更好的使用REEC做开发，或基于REEC做一些相关研究，在这里我们从其整体架构到正则模式做一下详细介绍，但并不涉及REEC实现原理。

正则表达式的历史比C语言更来的久远，但其正式被纳入到编程语言标准中应该是在后C++时代，如JAVA、PHP、Perl等等都有各自的一套正则标准，虽然实现的形式是多样化的，但是他们解决的根本问题无非是“模式匹配”。笔者认为，正则式没有被C语言等纳入其体系中的原因正是因为自身的应用领域决定的，“模式匹配”问题在早期的C语言应用中出现的几率相对较少，我们知道在当时C语言主要用来构建操作系统等内核层，这种领域很少会遇到“模式匹配”问题，因为当时的计算问题多数跟计算机硬件打交道。而到了后期，尤其是互联网相关应用的出现，使得软件跟人的交互次数多了起来，这种交互在多数场合都是通过字符串相互传递信息的，也就是“模式匹配”问题变得多了。即便是C语言开发的应用也常常会遇到所谓“业务逻辑”等处理问题，REEC最初的设计目的是在C语言中使用正则表达式进行应用开发，使得开发人员可以方便地在C语言环境中使用正则表达式。

 

REEC中定义了三十六种基本的“正则模式”，一个正则模式由两部分组成：，Pat是模式串，Rep是重复次数为条件，基于Pat^Rep描述一个完整的基本模式。另外其它复杂的模式由“基本模式”组合而成，语法形式：….等等。

例如：
正则模式：<(a-z)^3> //基本模式
输入串：123123123123hello1231231231
输出串：hel
语义：匹配3个小写字母，如匹配成功返回该串。

模式：<(tok)^1><(.)^1><(com)^1>|<(net)^1>|<(cc)^1>|<(cn)^1> //多个基本模式组合
输入串：123123123123tok123tok.haha123tok123.cc1
输出串：tok.cc
语义：匹配一个由“tok”开头，紧接着“.”，以“com”或者“net”或者“cc”或者“cn”结尾的串，如匹配成功返回该串。

以上第一个正则模式比较简单，REEC中推荐这种写法，使用简短的模式可以提高运行效率，如“<(.)^1><(com)^1>”可以改写为“<(.com)^1>”。REEC中一个模式用“<...>”包围，语法逻辑上的简洁明了也是其一大特点。正则表达式的输入是一个字符串，运行结果会返回一个符合其模式的串，在REEC中方便地处理字符过滤。以上运行结果有一个问题大家可能一经发现了（见粗体），上面粗体部分的字符串“3tok123.cc1”，严格来说并不是一个网址，tok与.cc之间多了一些干扰符，有些情况我们需要过滤这些干扰符，有些情况需要将其也包含在正则模式中。在REEC 1.2.0中新加了两个参数用来区分这两种情况。

REEC 1.2.0 新特性如下：
（一）模式敏感等级
（二）正则表达式分组（稍后介绍）

“模式敏感等级”跟“正则表达式分组”是1.2.0版本新加入的，这两个新特性使得正则模式更加灵活多变。当等级为RS_LEVEL_0时，模式匹配的字符可以不连续出现，如“<(0-9)^3>”匹配三个数字，3个数字在输入字符串中出现的次序不必连续，例如，可匹配 abcd999、ab9ca9cc9d ，不可匹配 ：abcd99（不足3个数字）。当等级为RS_LEVEL_1时，模式匹配的字符必须连续出现。如“<(0-9)^3>”匹配三个数字，3个数字在输入字符串中出现的次序必须连续，例如，可匹配 abcd999、不可匹配 ：abcd9aa9add9。

例如：

敏感：RS_LEVEL_0
模式：<(你好)^1>
输入串：你123好
输出串：你好

敏感：RS_LEVEL_1
模式：<(你好)^1>
输入串：你123好
输出串：NULL //“你…好”中间有干扰符

正则表达式分组可能是REEC的独创功能，它使得多个正则表达式为一组，分组内部的正则表达式一次执行，最后结果作为分组的计算结果传递给下一组继续计算，直至全部分组结算完毕返回。例如“http://www.tok.cc”，先从该串中取得“tok.cc”，再从该串中取到“tok”：

模式：[<(http://www.)^1><(tok)^1><(.cc)^1>][<(tok)^1>]
敏感：RS_LEVEL_1
输入串：Our page is http://www.tok.cc !
输出串：tok

正则表达式分组允许正则表达式递归定义，就是说可以在上一组式子的匹配结果上进行n次匹配。如上例所示，首先运行正则式[<(http://www.)^1><(tok)^1><(.cc)^1>]”，然后将其匹配的结果用第二组正则式“[<(tok)^1>]”进行第n次匹配（该例子n=2），最终返回“[<(tok)^1>]”匹配的结果。

正则表达式分组格式：[…][…]…[…]
执行顺序是，首先从第一个正则组开始，直至最后一个正则组，并返回最后一个正则组的匹配结果。该特性使得客户端可以针对某一个字符流进行多次模式匹配，直到分解到最精确的结果为止。

接口：

char* TOKRegularExpressionEngineRun （ char* , char* , 敏感等级 ）;
char* TOKRegularExpressionEngineDestroy () ;

TOKRegularExpressionEngineRun （ “[<(http://www.)^1><(tok)^1><(.cc)^1>][<(tok)^1>]” , “http://www.tok.cc” , RS_LEVEL_1 ）;
//不再使用REEC时，请释放被其占用的内存。
TOKRegularExpressionEngineDestroy () ;

注释：
运算符：| 起到连接两个基本正规式的作用，逻辑或运算。例如：<(a-z)^1>|<(gtkings)^1>|<(0-9){1,*}>

例子：

//正则式：<(a-z)^3>、<(a-z)^*>、<(a-z){2,3}>、<(a-z){2,*}>
//<(a-z)^3>
//匹配3个字母，出现位置不必连续
printf(“%s/n”,TOKRegularExpressionEngineRun(“<(a-z)^3>“,”你好a我们是b突壳c开源，欢迎使用1.0我们的产品。”,RS_LEVEL_0));
//结果 abc
//匹配3个字母，出现位置必须连续
printf(“%s/n”,TOKRegularExpressionEngineRun(“<(a-z)^3>“,”你好a我们是b突壳c开源，欢迎使用1.0我们的产品。”,RS_LEVEL_1));
//不连续，结果 null

//<(a-z)^*>
//匹配所有字母，出现位置不必连续
printf(“%s/n”,TOKRegularExpressionEngineRun(“<(a-z)^*>“,”你好a我们是b突壳c开源，欢迎使用1.0我们的产品。”,RS_LEVEL_0));
//结果 abc
//匹配n个字母，出现位置必须连续
printf(“%s/n”,TOKRegularExpress