在C语言中利用PCRE实现正则表达式
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 *errorcodeptr,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 *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,const char **errptr)
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)
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。
点击(此处)折叠或打开
- #include <stdio.h>
- #include <stdlib.h>
- #include <sys/mman.h>
- #include <fcntl.h>
- #include <string.h>
- #include <unistd.h>
- #include <sys/types.h>
- #include <sys/wait.h>
- #include <sys/stat.h>
- #include <sys/ipc.h>
- #include <sys/shm.h>
- #include <assert.h>
- #include <sys/socket.h>
- #include <netinet/in.h>
- #include "pcre.h"
- #include <iostream>
- #include <string>
- using namespace std;
- #define OVECCOUNT 30 /* should be a multiple of 3 */
- #define EBUFLEN 128
- #define BUFLEN 1024
- int main()
- {
- pcre *reCM, *reUN, *reTC, *reCDMA;
- const char *error;
- int erroffset;
- int ovector[OVECCOUNT];
- int rcCM, rcUN, rcTC, rcCDMA, i;
- /*
- yidong:134.135.136.137.138.139.150.151.152.157.158.159.187.188,147
- liandong:130.131.132.155.156.185.186
- dianxin:133.153.180.189
- CDMA :133,153
- */
- char src[22];
- char pattern_CM[] = "^1(3[4-9]|5[012789]|8[78])\\d{8}$";
- char pattern_UN[] = "^1(3[0-2]|5[56]|8[56])\\d{8}$";
- char pattern_TC[] = "^18[09]\\d{8}$";
- char pattern_CDMA[] = "^1[35]3\\d{8}$";
- printf("please input your telephone number \n");
- scanf("%s", src);
- printf("String : %s\n", src);
- printf("Pattern_CM: \"%s\"\n", pattern_CM);
- printf("Pattern_UN: \"%s\"\n", pattern_UN);
- printf("Pattern_TC: \"%s\"\n", pattern_TC);
- printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);
- reCM = pcre_compile(pattern_CM, 0, &error, &erroffset, NULL);
- reUN = pcre_compile(pattern_UN, NULL);
- reTC = pcre_compile(pattern_TC, NULL);
- reCDMA = pcre_compile(pattern_CDMA, NULL);
- if (reCM==NULL && reUN==NULL && reTC==NULL && reCDMA==NULL) {
- printf("PCRE compilation telephone Failed at offset %d: %s\n", erroffset, error);
- return 1;
- }
- rcCM = pcre_exec(reCM, NULL, src, strlen(src), ovector, OVECCOUNT);
- rcUN = pcre_exec(reUN, OVECCOUNT);
- rcTC = pcre_exec(reTC, OVECCOUNT);
- rcCDMA = pcre_exec(reCDMA, OVECCOUNT);
- if (rcCM<0 && rcUN<0 && rcTC<0 && rcCDMA<0) {
- if (rcCM==PCRE_ERROR_NOMATCH && rcUN==PCRE_ERROR_NOMATCH &&
- rcTC==PCRE_ERROR_NOMATCH && rcTC==PCRE_ERROR_NOMATCH) {
- printf("Sorry,no match ...\n");
- }
- else {
- printf("Matching error %d\n", rcCM);
- printf("Matching error %d\n", rcUN);
- printf("Matching error %d\n", rcTC);
- printf("Matching error %d\n", rcCDMA);
- }
- free(reCM);
- free(reUN);
- free(reTC);
- free(reCDMA);
- return 1;
- }
- printf("\nOK,has matched ...\n\n");
- if (rcCM > 0) {
- printf("Pattern_CM: \"%s\"\n", pattern_CM);
- printf("String : %s\n", src);
- }
- if (rcUN > 0) {
- printf("Pattern_UN: \"%s\"\n", pattern_UN);
- printf("String : %s\n", src);
- }
- if (rcTC > 0) {
- printf("Pattern_TC: \"%s\"\n", pattern_TC);
- printf("String : %s\n", src);
- }
- if (rcCDMA > 0) {
- printf("Pattern_CDMA: \"%s\"\n", pattern_CDMA);
- printf("String : %s\n", src);
- }
- free(reCM);
- free(reUN);
- free(reTC);
- free(reCDMA);
- return 0;
- }
点击(此处)折叠或打开
- #include <stdio.h>
- #include <stdlib.h>
- #include <sys/mman.h>
- #include <fcntl.h>
- #include <string.h>
- #include <unistd.h>
- #include <sys/types.h>
- #include <sys/wait.h>
- #include <sys/stat.h>
- #include <sys/ipc.h>
- #include <sys/shm.h>
- #include <assert.h>
- #include <sys/socket.h>
- #include <netinet/in.h>
- #include "pcre.h"
- #include <iostream>
- #include <string>
- using namespace std;
- #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 buffer[128];
- memset(buffer,'\0',128);
- char src [] = "<head><title>Hello World</title></head>";
- char pattern [] = "<title>(.*)</title>";
- printf("String : %s\n", src);
- printf("Pattern: \"%s\"\n", pattern);
- re = pcre_compile(pattern, NULL);
- if (re == NULL) {
- printf("PCRE compilation Failed at offset %d: %s\n", error);
- return 1;
- }
- rc = pcre_exec(re, 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;
- }
[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,},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 matchingpattern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 leastnm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(?)。