深入浅出C/C++中的正则表达式库

一、深入浅出C/C++中的正则表达式库(一)——GNU Regex Library

写在前面: 本文是面向有正则表达式基础的读者朋友的，如果你还不知道正则表达式是什么，请先到这里学习一下

 ：http://en.wikipedia.org/wiki/Regular_expression。

正则表达式(Regular Expressions)，又被称为regex或regexp，是一种十分简便、灵活的文本处理工具。它可以用来精确地找出某文本中匹配某种指定规则的内容。在linux下，grep, sed, awk等工具都支持正则表达式，这些工具的存在，为我们日常的文本处理带来了极大的便利。但是，有时候，我们自己写的程序中也需要用到正则表达式来处理一些文本，这时候就需要一些正则表达式库的支持了。由于我本人是用C/C++做为主要开发语言的，所以，在本文以及接下来的几篇文章中，我将介绍几个常用的C/C++的正则表达式的库，通过我的介绍，以及对具体的使用进行举例，希望能够给读者朋友在C/C++程序中使用正则表达式时有点帮助，这将是我莫大的荣幸。

当前，据我所知，在C/C++中常用的正则表达式库有GNU Regex Library, Boost.Regex, PCRE, PCRE++。这四个库中，后面两个是有关系，其它都是各自己独立的，是不同的实现。因此我会分三次，来一一对这四个库进行介绍。今天首先介绍一下GNU Regex Library。

1. 什么是GNU正则表达式库(GNU Regex Library) ?

GNU正则表达式库是glibc(GNU C Library)的一部分，它提供与POSIX标准兼容的正则表达式匹配的接口。

这里是其主页：http://www.gnu.org/s/libc/manual/html_node/Regular-Expressions.html

下载该库点这里：gnuregex0_13 

2. GNU Regex Library所提供的接口

（1）regcomp:

int regcomp(regex_t *preg, const char *pattern, int cflags)
功能:将要进行匹配的正则表达式pattern进行编译，做匹配前的准备工作
参数: preg, 输出参数，用来保存编译后的正则表达式结果
pattern, 输入参数，传入要进行编译的正则表达式的字符串
cflags, 输入参数，用来指定正则表达式匹配过程中的一些选项
返回值:编译成功返回0，失败返回非0的错误码

（2）regexec:

int regexec(const regex_t *preg, const char *string, size_t nmatch, regmatch_t pmatch[],
int eflags)
功能:用来检测字符串string是否匹配正则表达式preg
参数: preg, 输入参数，在(1)regcomp中编译好的正则表达式规则
string, 输入参数，用来被匹配的字符串
nmatch, 输入参数，用来指定pmatch参数所对应的数组的长度
pmatch, 输出参数，用来输出在string中匹配preg的具体位置
eflag, 输入参数，用来指定正则表达式匹配过程中的一些选项
返回值: 如果string匹配preg所指定的规则，则返回0， 否则返回非0

（3）regerror:

size_t regerror(int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size)
功能:用来把在regcompt和regexec中产生的错误码转化成字符串形式的错误信息
参数: errcode, 输入参数，在regcomp或regexec调用中返回的错误码
preg, 输入参数，与错误码所对应的编译过的正则表达式结构
errbuf, 输出参数，用来返回错误信息的buffer，如果buffer不够所需大小，错误信息将被截断
errbuf_size, 输入参数，返回错误信息的buffer的大小
返回值: 如果errbuf_size为0，那么regerror返回错误信息所需要的buffer的大小

（4）regfree:

void regfree (regex_t *preg)
功能: 用来释放由regcomp编译时生成的preg结构所占用的内存
参数: preg, 输入参数，由regcomp编译时生成的正则表达的结构指针
返回值: 无

3. 使用GNU Regex Library的一些注意事项

（1）regcomp与regfree必须配对使用，要不然会造成内存泄漏（类比malloc/free, new/delete)

（2）regex_t结构：把字符串形式的正则表达式编译成regex_t这样的一个结构，方便后续的匹配工作

（3）regmatch_t结构：用来表示正则表达式中字符串中匹配的位置的结构，用起始位置的偏移量来表示的

（4）flags：用来配置匹配过程中的一些选项, 指定如何匹配，具体参见：http://www.opengroup.org/onlinepubs/007908799/xsh/regcomp.html

（5）使用该库需要包含的头文件：sys/types.h和regex .h

4. GNU Regex Library使用举例

#include <sys /types.h>
#include <regex .h>
#include <stdio .h>

int main(int argc, char ** argv)
{
if (argc != 3)
{
printf("Usage: %s RegexString Text\n", argv[0]);
return 1;
}

const char * pRegexStr = argv[1];
const char * pText = argv[2];

regex_t oRegex;
int nErrCode = 0;
char szErrMsg[1024] = {0};
size_t unErrMsgLen = 0;

if ((nErrCode = regcomp(&oRegex, pRegexStr, 0)) == 0)
{
if ((nErrCode = regexec(&oRegex, pText, 0, NULL, 0)) == 0)
{
printf("%s matches %s\n", pText, pRegexStr);
regfree(&oRegex);
return 0;
}
}

unErrMsgLen = regerror(nErrCode, &oRegex, szErrMsg, sizeof(szErrMsg));
unErrMsgLen = unErrMsgLen < sizeof(szErrMsg) ? unErrMsgLen : sizeof(szErrMsg) - 1;
szErrMsg[unErrMsgLen] = '\0';
printf("ErrMsg: %s\n", szErrMsg);

regfree(&oRegex);
return 1;
}

程序测试：

wuzesheng@wuzesheng-ubuntu:~/Program$ gcc TestRegex.c -o Regex
wuzesheng@wuzesheng-ubuntu:~/Program$ ./Regex "http:\/\/www\..*\.com" "https://www.taobao.com"
ErrMsg: No match
wuzesheng@wuzesheng-ubuntu:~/Program$ ./Regex "http:\/\/www\..*\.com" "http://www.taobao.com" http://www.taobao.com matches http:\/\/www\..*\.com

以上即是关于GNU Regex Library的全部内容。如果读书者朋友有什么看法可以在下面给我留言。接下来几天，我会陆续介绍前面提到的其它几个库，今天先到这里。

二、深入浅出C/C++中的正则表达式库(二)——Boost.Regex

写在前面：本文是《深入浅出C/C++中的正则表达式库》系列的第二篇，如果对本文感兴趣，相信你也会对《深入浅出C/C++中的正则表达式库——GNU Regex Library》感兴趣。本文主要介绍Boost中的正则表达式库，通过介绍其基本内容与相关接口，希望能够教读者朋友学会如何使用该库。

1. 什么是Boost.Regex? 

Boost是C++中仅次于STL的一套库，它的功能比STL更加全面。这里是Boost的主页，想了解Boost的朋友可以看一下：http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/index.html。需要说明的一点是，Boost目前还不是C++标准库的一部分，因此如果要使用Boost中的库，需要自己安装一下。

Boost.Regex是Boost中的正则表达式库，它是由John Maddock提供的，它的全部文档在这里：http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/index.html

2. Boost.Regex的编译

最新的Boost库是1.42.0，在使用Boost.Regex之前，需要先下载Boost库，可以通过下面两种方式下载：

（1）Http下载，下载地址是http://sourceforge.net/projects/boost/files/boost/1.42.0/

（2）用svn客户端来下载，地址是：http://svn.boost.org/svn/boost/trunk/

我个人比较推荐使用svn客户端来下载，这样的话，如果要更新直接svn update一下，就不用再去重新下载了。

下载好了Boost库，下面开始编译, 本文中我以Linux平台为例进行说明，其它平台的编译方法参见上面提到的文档。下面是具体的步骤：(假设下载完后的，代码解压在了BOOST_ROOT目录)

（1）进入到BOOST_ROOT/libs/regex/build目录

（2）如果要使用静态库，请执行make -fgcc.mak

（3）如果要使用静态库，请执行make -fgcc-shared.mak

执行完上面三步后的，在BOOST_ROOT/libs/regex/build/下会生成一个gcc目录 ，进入该目录 ，可以看到生成了下面四个文件:

（1）libboost_regex-gcc-1_42.a , 这是release版的静态库

（2）libboost_regex-gcc-1_42.so, 这是release版的动态库（共享库）

（3）libboost_regex-gcc-d-1_42.a, 这是debug版的静态库

（4）libboost_regex-gcc-d-1_42.so, 这里debug版的动态库（共享库）

编译好之后的，就可以开始使用了。这里提供一个我编译好的版本，如果读者朋友不想自己编译，可以直接从我这里下载使用，下载完记得校验一下MD5: b6e0d805ea22ba08cb230ca98a517953。

点此下载：libboost_regex.tar.gz。

3. Boost Regex Libray类和接口介绍

（1）basic_regex

basic_regex是一个模板类，它封装了正则表达式的解析和编译，它是Boost.Regex中用来表示正则表达式的对象类型。Boost.Regex定义了两种标准类型，一种是基于单字节字符的regex，另一种是基于宽字符的wregex

关于basic_regex提供的接口，和STL中basic_string所提供的十分类似，具体可以参考：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/basic_regex.html

（2）match_results

match_results是用来表示所有匹配指定正则表达式的字符串的集合的对象类型。Boost.Regex提供了四种标准类型的定义：C单字节字符类型的cmatch, C宽字符类型的wcmatch, C++单字节字符类型smatch, C++宽字符类型wsmatch。match_results所提供的接口参见：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/match_results.html

（3）sub_match

sub_match是用来表示匹配指定正则表达式的字符串的对象类型。match_results就是由sub_match组成的集合类型。

关于sub_match类型，有下面三点需要注意的：

a. sub_match类型的对象只能通过对match_results类型的对象取下标获取

b. sub_match类型的对象可以和std:basic_string或const char*的字符串进行比较

c. sub_match类型的对象可以和std::basic_string或const char*的字符串相加，生成新的std::basic_string类型的字符串

sub_match所提供的接口请参考：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/sub_match.html

（4）reg_match, reg_search和reg_replace

reg_match, reg_search和reg_replace都是Boost.Regex所提供的具体进行正则匹配的算法接口。

reg_match用来判定整个字符串是否匹配指定的的正则表达式, 具体定义参见：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/regex_match.html

reg_search用来判定字符串的某一部分是否匹配指定的正则表达式, 具体定义参见：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/regex_search.html

reg_replace用来把字符串中匹配指定正则表达式的部分替换为指定内容输出，对于不匹配的部分原样输出, 具体定义参见：
http://www.boost.org/doc/libs/1_37_0/libs/regex/doc/html/boost_regex/ref/regex_replace.html

4. Boost Regex Libray使用注意事项

（1）在使用之前你需要把Boost的安装目录加入到系统的Path中（当然也可以在编译时直接指定）

（2）需要包含的头文件 boost/regex.hpp

（3）需要依赖的库：下载2中编译好的libboost.tar.gz，取其中任意一个即可，具体如何使用动态/静态库，请自己查阅相关资料

（4）Boost.Regex还提供对Unicode类型的支持，具体细节参加上面提到的文档，我这里不做介绍

5. Boost.Regex使用举例

下面是Boost.Regex使用的一个简单的例子：

#include <string>
#include <iostream>

#include "boost/regex.hpp"

int main(int argc, char ** argv)
{
if (argc != 4)
{
std::cerr < < "Usage: " << argv[0] << " option regex text\n"
<< "option: 0 --whole match\n"
<< "        1 --sub match\n"
<< "        2 --replace match\n";
return 1;
}

boost::regex oRegex(argv[2]);
boost::smatch oResults;
std::string strStr(argv[3]);
std::string strRes;

switch (atoi(argv[1]))
{
case 0:
if(boost::regex_match(strStr, oResults, oRegex))
{
std::cout << strStr << " matches " << oRegex << "\n";
}
else
{
std::cout << strStr << " doesn't match " << oRegex << "\n";
}
break;
case 1:
if(boost::regex_search(strStr, oResults, oRegex))
{
std::cout << strStr << " matches " << oRegex << "\n";
}
else
{
std::cout << strStr << " doesn't match " << oRegex << "\n";
}
break;
case 2:
strRes = boost::regex_replace(strStr, oRegex, "$$$$");
std::cout << "strRes=" << strRes << "\n";
break;
default:
std::cerr << "Invalid option: " << argv[1] << "\n";
break;
}
}

下面是程序运行的结果：

wuzesheng@wuzesheng-ubuntu:~/Program$ !g++
g++ -I./boost_1_42_0 BoostRegex.cpp -L ./boost_1_42_0/libs/regex/build/gcc/ -lboost_regex-gcc-1_42 -o BoostRegex
wuzesheng@wuzesheng-ubuntu:~/Program$ ./BoostRegex 0 "http:\/\/www\..*\.com" "http://www.soso.comjfj" http://www.soso.comjfj doesn't match http:\/\/www\..*\.com
wuzesheng@wuzesheng-ubuntu:~/Program$ ./BoostRegex 1 "http:\/\/www\..*\.com" "http://www.soso.comjfj" http://www.soso.comjfj matches http:\/\/www\..*\.com
wuzesheng@wuzesheng-ubuntu:~/Program$ ./BoostRegex 2 "http:\/\/www\..*\.com" "http://www.soso.comjfj"
strRes=$$jfj

以上即是Boost.Regex的主要的内容以及具体使用的一些情况。这里我需要说明一下，由于Boost.Regex所提供的像basic_regex, match_results, sub_match这些类型，它们的封装与C++中string等其它stl容器的封装很相似，因此使用过程中可以做联想类比，以加深理解。另外，像regex_match, regex_search, regex_replace这些算法都是模板函数，而且都有多个重载版本，在使用的时候，注意选择适合自己的应用场景的版本。

三、深入浅出C/C++中的正则表达式库(三)——PCRE, PCRE++

写在前面：本文是《深入浅出C/C++中的正则表达式库》系列的第三篇，本文的主要内容是介绍PCRE和PCRE++，因为它们两个是很有渊源的，所以放在一起讲。

1. 什么是PCRE? 什么是PCRE++?

PCRE，全称是Perl Compatible Regular Expressions。从名字我们可以看出PCRE库是与Perl中正则表达式相兼容的一个正则表达式库。PCRE是免费开源的库，它是由C语言实现的，这里是它的官方主页：http://www.pcre.org/，感兴趣的朋友可以在这里了解更多的内容。

要得到PCRE库，可以从这里下载：http://sourceforge.net/projects/pcre/files/

PCRE++是一个对PCRE库的C++封装，它提供了更加方便、易用的C++接口。这里是它的官方主页：http://www.daemon.de/PCRE，感兴趣的朋友可以在这里了解更多的内容。

要得到PCRE++库，可以从这里下载：http://www.daemon.de/PcreDownload

2. PCRE接口介绍

（1）. pcre_compile

pcre *pcre_compile(const char *pattern, int options,
const char **errptr, int *erroffset,
const unsigned char *tableptr);
功能：编译指定的正则表达式
参数：pattern, 输入参数，将要被编译的字符串形式的正则表达式
options, 输入参数，用来指定编译时的一些选项
errptr, 输出参数，用来输出错误信息
erroffset, 输出参数，pattern中出错位置的偏移量
tableptr, 输入参数，用来指定字符表，一般情况用NULL, 使用缺省的字符表
返回值：被编译好的正则表达式的pcre内部表示结构

（2）. pcre_exec

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：用来检查某个字符串是否与指定的正则表达式匹配
参数： code, 输入参数，用pcre_compile编译好的正则表达结构的指针
extra, 输入参数，用来向pcre_exec传一些额外的数据信息的结构的指针
subject, 输入参数，要被用来匹配的字符串
length, 输入参数， 要被用来匹配的字符串的指针
startoffset, 输入参数，用来指定subject从什么位置开始被匹配的偏移量
options, 输入参数， 用来指定匹配过程中的一些选项
ovector, 输出参数，用来返回匹配位置偏移量的数组
ovecsize, 输入参数， 用来返回匹配位置偏移量的数组的最大大小
返回值：匹配成功返回非负数，匹配返回负数

3. PCRE++接口介绍 

PCRE++把PCRE库封装成了两个类，一个是RE_Options, 用来指定匹配选项，一个是RE，用来提供匹配相关的接口。RE_options类在这里我就不介绍了，我主要介绍一下RE类：

（1）RE的构造函数传入正则表达式，并在构造函数中调用Init函数，将该正则表达进行编译

（2）RE的pattern()成员用来得到初始传入的正则表达式字符串

（3）RE的error()成员用来得到匹配过程中的出错信息

（4）RE的FullMatch()成员用来判断某字符串整体是否匹配指定正则表达式

（5）RE的PartialMatch()成员用来判断某字符串的部分是否匹配指定正则表达式

4. PCRE/PCRE++使用注意事项

（1）使用pcre请包含pcre.h头文件

（2）使用pcre_compile, pcre_exec后，记得调用pcre_free释放内存，以免造成内存泄露

（3）使用pcre编译的时候需要依赖libpcre.a

（4）使用pcre++请包含pcrecpp.h头文件

（5）使用pcre++，RE类的析构函数会自动释放相关内存，因此不用担心内存泄露

（6）使用pcre++编译的时候需要依赖libpcrecpp.a

（7）使用pcrecpp要使用pcrecpp命名空间

5. PCRE使用举例

下面是例程：

#include <pcre .h>
#include <stdio .h>
#include <string .h>

int main(int argc, char ** argv)
{
if (argc != 3)
{
printf("Usage: %s pattern text\n", argv[0]);
return 1;
}

const char * pPattern = argv[1];
const char * pText = argv[2];
const char * pErrMsg = NULL;
pcre * pPcre = NULL;
int nOffset = -1;

if (NULL == (pPcre = pcre_compile(pPattern, 0, &pErrMsg, &nOffset, NULL)))
{
printf("ErrMsg=%s, Offset=%d\n", pErrMsg, nOffset);
return 1;
}
else
{
if (pcre_exec(pPcre, NULL, pText, strlen(pText), 0, 0, NULL, 0) < 0)
{
printf("%s doesn't match %s\n", pText, pPattern);
}
else
{
printf("%s matches %s\n", pText, pPattern);
}
}
}

下面是运行结果：

wuzesheng@wuzesheng-ubuntu:~/Program$ !g++
g++ -lpcre TestPcre.cpp -o pcre
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcre "http:\/\/.*\.qq\.com" "http://www.qq.com" http://www.qq.com matches http:\/\/.*\.qq\.com
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcre "http:\/\/.*\.qq\.com" "http://www.qqq.com" http://www.qqq.com doesn't match http:\/\/.*\.qq\.com

6. PCRE++使用举例

下面是例程：

#include <iostream>
#include <pcrecpp .h>

int main(int argc, char ** argv)
{
if (argc != 3)
{
std::cerr < < "Usage: " << argv[0] << " pattern text\n";
return 1;
}

pcrecpp::RE oPattern(argv[1]);
if (oPattern.FullMatch(argv[2]))
{
std::cout << argv[2] << " fully matches " << argv[1] << "\n";
}
else if (oPattern.PartialMatch(argv[2]))
{
std::cout << argv[2] << " partially matches " << argv[1] << "\n";
}
else
{
std::cout << argv[2] << " dose not match " << argv[1] << "\n";
}
}

下面是运行结果：

wuzesheng@wuzesheng-ubuntu:~/Program$ g++ TestPcreCpp.cpp -lpcrecpp -o pcrecpp
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcrecpp
Usage: ./pcrecpp pattern text
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcrecpp "http:\/\/.*\.qq\.com" "http://www.qq.com" http://www.qq.com fully matches http:\/\/.*\.qq\.com
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcrecpp "http:\/\/.*\.qq\.com" "http://www.qq.comiii" http://www.qq.comiii partially matches http:\/\/.*\.qq\.com
wuzesheng@wuzesheng-ubuntu:~/Program$ ./pcrecpp "http:\/\/.*\.qq\.com" "http://www.qqq.comiii" http://www.qqq.comiii dose not match http:\/\/.*\.qq\.com

以上即是关于PCRE和PCRE++库介绍的全部内容，由于内容比较多，我只介绍了一些关键的接口及其用法，如果读者朋友想更加深入的了解其它的接口，可以参考我上面提到的官方网站，另外linux下的manual也是很好的参考资料。在shell下执行man pcre和man pcrecpp便可得到很详细的资料。

本文转自：http://www.wuzesheng.com/?p=929