菜单

正则表达式<二>

2017-12-16 - 未分类

一、API和参数介绍

C语言中使用正则表达式一般分为三步:
1. 编译正则表达式 regcomp()
2. 匹配正则表达式 regexec()
3. 释放正则表达式 regfree()

1.编译正则表达式

int regcomp(regex_t* compiled, const char* pattern, int cflags)

regcomp这个函数把指定的正则表达式pattern编译成一种特定的数据格式compiled,这样可以使匹配更有效。
      (1)regex_t 是一个结构体数据类型,用来存放编译后的正则表达式,它的成员re_nsub 用来存储正则表达式中的子正则表达式的个数,子正则表达式就是用圆括号包起来的部分表达式。
      (2)pattern 是指向我们写好的正则表达式的指针。
      (3)cflags有以下四种取值或者是它们或运算( | )后的值:

cflags的取值 含义
REG_EXTENDED 以功能更加强大的扩展正则表达式的方式进行匹配。
REG_ICASE 匹配字母时忽略大小写。
REG_NOSUB 不用存储匹配后的结果。
REG_NEWLINE 识别换行符,这样'$'就可以从行尾开始匹配,'^'就可以从行的开头开始匹配

2.匹配正则表达式

int regexec (regex_t *compiled, 
             char *string, 
             size_t nmatch, 
             regmatch_t matchptr [], 
             int eflags)

函数regexec 会使用这个数据在目标文本串中进行模式匹配。当我们编译好正则表达式后,就可以用regexec 匹配我们的目标文本串了,如果在编译正则表达式的时候没有指定cflags的参数为REG_NEWLINE,则默认情况下是忽略换行符的,也就是把整个文本串当作一个字符串处理。执行成功返回0。
      (1)compiled 是已经用regcomp函数编译好的正则表达式。
      (2)string 是目标文本串。
      (3)nmatch 是regmatch_t结构体数组的长度。
      (4)matchptr regmatch_t类型的结构体数组,存放匹配文本串的位置信息。
      (5)eflags 有两个值:REG_NOTBOL和REG_NOTEOL。

regmatch_t //结构体数据类型,在regex.h中定义
typedef struct
{
   regoff_t rm_so;
   regoff_t rm_eo;
} regmatch_t;
// 成员rm_so 存放匹配文本串在目标串中的开始位置
//rm_eo 存放结束位置

通常我们以数组的形式定义一组这样的结构。因为往往我们的正则表达式中还包含子正则表达式。数组0单元存放主正则表达式位置,后边的单元依次存放子正则表达式位置。

3.释放正则表达式

void regfree (regex_t *compiled)

当我们使用完编译好的正则表达式后,或者要重新编译其他正则表达式的时候,我们可以用这个函数清空compiled指向的regex_t结构体的内容。如果是重新编译的话,一定要先清空regex_t结构体。

获取错误信息

size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)

当执行regcomp 或者regexec 产生错误的时候,就可以调用这个函数而返回一个包含错误信息的字符串。

参数说明:
(1)errcode 是由regcomp和 regexec函数返回的错误代号。
(2)compiled 是已经用regcomp函数编译好的正则表达式,这个值可以为NULL。
(3)buffer 指向用来存放错误信息的字符串的内存空间。
(4)length 指明buffer的长度,如果这个错误信息的长度大于这个值,则regerror 函数会自动截断超出的字符串,但他仍然会返回完整的字符串的长度。所以我们可以用如下的方法先得到错误字符串的长度。

4.使用方式

(1)获取所有要匹配的字符串

#include <cstdio>
#include <regex.h>
#include <string.h>
#include <stdio.h>

int main(int argc, char const *argv[]) {
    regex_t re;
    regmatch_t subs[1024];
    char matched[1024];
    char src[1024]="beginworldendtestbeginworkendtest";
    char pattern[1024] = "begin(.*?)end";

    int err = regcomp(&re, pattern, REG_EXTENDED);
    if (err) {
        printf("regex error");
        return 1;
    }

    const char *ptr = src;
    // 匹配所有模式字串
    while (strlen(ptr) > 0) {
        memset(subs, 0, sizeof(subs));
        err = regexec(&re, ptr, (size_t)1024, subs, 0);
        if (err == REG_NOMATCH) {
            break;
        } else if (err) {
            char errbuf[1024];
            regerror(err, &re, errbuf, sizeof(errbuf));
            printf("errbuf:%s\n", errbuf);
            break;
        }
        int len = subs[0].rm_eo - subs[0].rm_so;
        memcpy(matched, ptr + subs[0].rm_so, len);
    //memcpy函数的功能是从源src所指的内存地址的起始位置开始拷贝n个字节到目标dest所指的内存地址的起始位置中
    //void *memcpy(void *dest, const void *src, size_t n);
        matched[len] = '\0';
        printf("match:%s\n", matched);
        ptr = ptr + subs[0].rm_so + len;
    }

    regfree(&re);

    return 0;
}

(2)获取模式字串以及子正则模式串

#include <cstdio>
#include <regex.h>
#include <string.h>
#include <stdio.h>

int main(int argc, char const *argv[]) {
    regex_t re;//定义正则表达式
    regmatch_t subs[1024];
    char matched[1024];
    char src[1024]="beginworldendtestbeginworkendtest";//模式串
    char pattern[1024] = "begin(.*?)end";//正则表达式

    int err = regcomp(&re, pattern, REG_EXTENDED);//编译正则表达式
    if (err) {
        printf("regex error");
        return 1;
    }

    const char *ptr = src;
    // 匹配模式字串以及子正则
    err = regexec(&re, ptr, 1024, subs, 0);
    for (int x = 0; x < 1024 && subs[x].rm_so != -1; ++x) {
        int len = subs[x].rm_eo - subs[x].rm_so;
        memcpy(matched, ptr + subs[x].rm_so, len);
    //memcpy函数的功能是从源src所指的内存地址的起始位置开始拷贝n个字节到目标dest所指的内存地址的起始位置中
    //void *memcpy(void *dest, const void *src, size_t n);
        matched[len] = '\0';
        printf("matched:%s\n", matched);
    }

    regfree(&re);

    return 0;
}

二、正则表达式语法

元字符 作用
\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]。
元字符 作用
{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。例如,“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。
* 匹配前面的子表达式零次或多次(大于等于0次)。例如,zo能匹配“z”,“zo”以及“zoo”。等价于{0,}。任意长度的字符串。 a* 表示: 空字符串、aaaa、a… 。
+ 匹配前面的子表达式一次或多次(大于等于1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}。
元字符 作用
\ 将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“\\n”匹配\n。“\n”匹配换行符。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。

| 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“plin”。|
| [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。注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. |
| [^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。|

元字符 作用
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”。
.点 匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符,请使用像“[\s\S]”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JScript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) 正向肯定预查,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“Windows2000”中的“Windows”,但不能匹配“Windows3.1”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) 正向否定预查,在任何不匹配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“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。
(?<=pattern) 反向肯定预查,与正向肯定预查类似,只是方向相反。例如,“(?<=95 |98 |NT |2000)Windows”能匹配“2000Windows”中的“Windows”,但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern) 反向否定预查,与正向否定预查类似,只是方向相反。例如“(?<!95 |98 |NT |2000)Windows”能匹配“3.1Windows”中的“Windows”,但不能匹配“2000Windows”中的“Windows”。
元字符 作用
\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]。
\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向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。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向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。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(0-7),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(©)。
元字符 作用
\< \> 匹配词(word)的开始(\<)和结束(\>)。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。
竖线 将 和 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。
& 将两个匹配条件进行逻辑“或”(Or)运算。例如正则表达式(him |her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。
+ 匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意:这个元字符不是所有的软件都支持的。
? 匹配0或1个正好在它之前的那个字符。注意:这个元字符不是所有的软件都支持的。
{i} {i,j} 匹配指定数目的字符,这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符"A"后面跟着正好3个数字字符的串,例如A123、A348等,但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个数字。

三、实例应用

  1. 验证用户名和密码:("^[a-zA-Z]\\w{5,15}$")正确格式:"[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位;

2.验证电话号码:("^(\\d{3,4}-)\\d{7,8}$")正确格式:xxx/xxxx-xxxxxxx/xxxxxxxx;

3.验证手机号码:"^1[3|4|5|7|8][0-9]\\d{8}$";

4.验证身份证号(15位或18位数字):"\\d{14}[[0-9],0-9xX]";

5.验证Email地址:("^\\w+([-+.]\\w+)@\\w+([-.]\\w+)\.\\w+([-.]\\w+)*$");

6.只能输入由数字和26个英文字母组成的字符串:("^[A-Za-z0-9]+$") ;

7.整数或者小数:^[0-9]+([.]{0,1}[0-9]+){0,1}$

8.只能输入数字:"^[0-9]*$"

9.只能输入n位的数字:"^\\d{n}$"

10.只能输入至少n位的数字:"^\\d{n,}$"

11.只能输入m~n位的数字:"^\\d{m,n}$"

12.只能输入零和非零开头的数字:"^(0|[1-9][0-9]*)$"

13.只能输入有两位小数的正实数:"^[0-9]+(.[0-9]{2})?$"

14.只能输入有1~3位小数的正实数:"^[0-9]+(\.[0-9]{1,3})?$"

15.只能输入非零的正整数:"^\+?[1-9][0-9]*$"

16.只能输入非零的负整数:"^\-[1-9][]0-9"*$

17.只能输入长度为3的字符:"^.{3}$"

18.只能输入由26个英文字母组成的字符串:"^[A-Za-z]+$"

19.只能输入由26个大写英文字母组成的字符串:"^[A-Z]+$"

20.只能输入由26个小写英文字母组成的字符串:"^[a-z]+$"

21.验证是否含有^%&',;=?$\"等字符:"[^%&',;=?$\x22]+"

22.只能输入汉字:"^[\u4e00-\u9fa5]{0,}$"

23.验证URL:"^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$"

24.验证一年的12个月:"^(0?[1-9]|1[0-2])$"正确格式为:"01"~"09"和"10"~"12"

25.验证一个月的31天:"^((0?[1-9])|((1|2)[0-9])|30|31)$"正确格式为;"01"~"09"、"10"~"29"和“30”~“31”

26.获取日期正则表达式:\\d{4}[年|\\-|\.]\\d{\1-\12}[月|-|.]\d{\1-\31}日?
评注:可用来匹配大多数年月日信息

27.匹配双字节字符(包括汉字在内):[^\x00-\xff]
评注:可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1)

28.匹配空白行的正则表达式:\n\s*\r
评注:可以用来删除空白行

29.匹配HTML标记的正则表达式:<(\S?)[^>]>.?</>|<.? />
评注:网上流传的版本太糟糕,上面这个也仅仅能匹配部分,对于复杂的嵌套标记依旧无能为力

30.匹配首尾空白字符的正则表达式:^\s|\s$
评注:可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式

31.匹配网址URL的正则表达式:[a-zA-z]+://[^\s]*
评注:网上流传的版本功能很有限,上面这个基本可以满足需求

32.匹配帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注:表单验证时很实用

33.匹配腾讯QQ号:[1-9][0-9]\{4,\}
评注:腾讯QQ号从10 000 开始

34.匹配中国邮政编码:[1-9]\\d{5}(?!\d)
评注:中国邮政编码为6位数字

35.匹配ip地址:((2[0-4]\\d|25[0-5]|[01]?\\d\\d?)\.){3}(2[0-4]\\d|25[0-5]|[01]?\\d\\d?)

发表评论

电子邮件地址不会被公开。 必填项已用*标注