C語言正則表示式使用詳解
C語言處理正則表示式常用的函式有regcomp()、regexec()、regfree()和regerror()。
使用正則表示式步驟:
1)編譯正則表示式 regcomp()
2)匹配正則表示式 regexec()
3)釋放正則表示式 regfree()
4)獲取regcomp 或者regexec 產生錯誤,獲取包含錯誤資訊的字串
函式宣告如下:1、int regcomp (regex_t *compiled, const char *pattern, int cflags)
這個函式把指定的正則表示式pattern編譯成一種特定的資料格式(引數regex_t *compiled),這樣可以使匹配更有效。
函式regexec 會使用這個資料在目標文字串中進行模式匹配。執行成功返回0。
引數說明:①regex_t 是一個結構體資料型別,用來存放編譯後的正則表示式,它的成員re_nsub 用來儲存正則表示式中的子正則表示式的個數,子正則表示式就是用圓括號包起來的部分表示式。
②pattern 是指向我們寫好的正則表示式的指標。
③cflags 有如下4個值或者是它們或運算(|)後的值:
REG_EXTENDED 以功能更加強大的擴充套件正則表示式的方式進行匹配。
REG_ICASE 匹配字母時忽略大小寫。
REG_NOSUB 不用儲存匹配後的結果。
REG_NEWLINE 識別換行符,這樣'$'就可以從行尾開始匹配,'^'就可以從行的開頭開始匹配。
2. int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr [], int eflags)
當我們編譯好正則表示式後,就可以用regexec 匹配我們的目標文字串了,如果在編譯正則表示式的時候沒有指定cflags的引數為REG_NEWLINE,則預設情況下是忽略換行符的,也就是把整個文字串當作一個字串處理。執行成功返回0。
regmatch_t 是一個結構體資料型別,在regex.h中定義:
typedef struct { regoff_t rm_so; regoff_t rm_eo; } regmatch_t;
成員rm_so 存放匹配文字串在目標串中的開始位置,rm_eo 存放結束位置。
通常我們以陣列的形式定義一組這樣的結構。因為往往我們的正則表示式中還包含子正則表示式。陣列0單元存放主正則表示式位置,後邊的單元依次存放子正則表示式位置。
引數說明:
①compiled 是已經用regcomp函式編譯好的正則表示式。②string 是目標文字串。
③nmatch 是regmatch_t結構體陣列的長度。
④matchptr regmatch_t型別的結構體陣列,存放匹配文字串的位置資訊。
⑤eflags 有兩個值
REG_NOTBOL不匹配行的開頭,除非在 regcomp 編譯時 cflag 設定 REG_NEWLINE。'^'匹配行的開頭 , 不管 regexec 中是否設定 eflags 為 REG_NOTBOL 。
REG_NOTEOL不匹配行的結束,除非在 regcomp 編譯時 cflag 設定 REG_NEWLINE 。'$' 匹配行的末尾 , 不管 regexec 中是否設定 eflags 為 REG_NOTEOL 。
3. void regfree (regex_t *compiled)當我們使用完編譯好的正則表示式後,或者要重新編譯其他正則表示式的時候,我們可以用這個函式清空compiled指向的regex_t結構體的內容,請記住,如果是重新編譯的話,一定要先清空regex_t結構體。
4. size_t regerror (int errcode, regex_t *compiled, char *buffer, size_t length)
當執行regcomp 或者regexec 產生錯誤的時候,就可以呼叫這個函式而返回一個包含錯誤資訊的字串。引數說明:
①errcode 是由regcomp 和 regexec 函式返回的錯誤代號。
②compiled 是已經用regcomp函式編譯好的正則表示式,這個值可以為NULL。
③buffer 指向用來存放錯誤資訊的字串的記憶體空間。
④length 指明buffer的長度,如果這個錯誤資訊的長度大於這個值,則regerror 函式會自動截斷超出的字串,但他仍然會返回完整的字串的長度。所以我們可以用如下的方法先得到錯誤字串的長度。
size_t length = regerror (errcode, compiled, NULL, 0);
匹配Email的示例:
#include <stdio.h>
#include <sys/types.h>
#include <regex.h>
int main(int argc,char** argv)
{
int status ,i;
int cflags = REG_EXTENDED;
regmatch_t pmatch[1];
const size_t nmatch = 1;
regex_t reg;
const char * pattern = "^\\w+([-+.]\\w+)*@\\w+([-.]\\w+)*.\\w+([-.]\\w+)*$";
char * buf = "[email protected]";
regcomp(®,pattern,cflags);//編譯正則模式
status = regexec(®,buf,nmatch,0);//執行正則表示式和快取的比較
if(status == REG_NOMATCH)
printf("No match\n");
else if (0 == status)
{
printf("比較成功:");
for(i = pmatch[0].rm_so;i<pmatch[0].rm_eo;++i)putchar(buf[i]);
printf("\n");
}
regfree(®);
return 0;
}
正則表示式 由一些普通字元和一些元字元(metacharacters)組成。普通字元包括大小寫的字母和數字,而元字元則具有特殊的含義。
在最簡單的情況下,一個正則表示式看上去就是一個普通的查詢串。
例如,正則表示式"testing"中沒有包含任何元字元,它可以匹配"testing"和"testing123"等字串,但是不能匹配"Testing"。
元字元描述如下:
元字元 | 描述 |
\ | 將下一個字元標記為一個特殊字元、或一個原義字元、或一個向後引用、或一個八進位制轉義符。例如,“\\n”匹配\n。“\n”匹配換行符。序列“\\”匹配“\”而“\(”則匹配“(”。 |
^ | 匹配輸入字串的開始位置。如果設定了RegExp物件的Multiline屬性,^也匹配“\n”或“\r”之後的位置。 |
$ | 匹配輸入字串的結束位置。如果設定了RegExp物件的Multiline屬性,$也匹配“\n”或“\r”之前的位置。 |
* | 匹配前面的子表示式零次或多次(大於等於0次)。例如,zo*能匹配“z”,“zo”以及“zoo”。*等價於{0,}。 |
+ | 匹配前面的子表示式一次或多次(大於等於1次)。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等價於{1,}。 |
? | 匹配前面的子表示式零次或一次。例如,“do(es)?”可以匹配“do”或“does”中的“do”。?等價於{0,1}。 |
{n} | n是一個非負整數。匹配確定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的兩個o。 |
{n,} | n是一個非負整數。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,}”等價於“o+”。“o{0,}”則等價於“o*”。 |
{n,m} | m和n均為非負整數,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”將匹配“fooooood”中的前三個o。“o{0,1}”等價於“o?”。請注意在逗號和兩個數之間不能有空格。 |
? | 當該字元緊跟在任何一個其他限制符(*,+,?,{n},{n,},{n,m})後面時,匹配模式是非貪婪的。非貪婪模式儘可能少的匹配所搜尋的字串,而預設的貪婪模式則儘可能多的匹配所搜尋的字串。例如,對於字串“oooo”,“o+?”將匹配單個“o”,而“o+”將匹配所有“o”。 |
.點 | 匹配除“\r\n”之外的任何單個字元。要匹配包括“\r\n”在內的任何字元,請使用像“[\s\S]”的模式。 |
(pattern) | 匹配pattern並獲取這一匹配。所獲取的匹配可以從產生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中則使用$0…$9屬性。要匹配圓括號字元,請使用“\(”或“\)”。 |
(?:pattern) | 匹配pattern但不獲取匹配結果,也就是說這是一個非獲取匹配,不進行儲存供以後使用。這在使用或字元“(|)”來組合一個模式的各個部分是很有用。例如“industr(?:y|ies)”就是一個比“industry|industries”更簡略的表示式。 |
(?=pattern) | 正向肯定預查,在任何匹配pattern的字串開始處匹配查詢字串。這是一個非獲取匹配,也就是說,該匹配不需要獲取供以後使用。例如,“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。預查不消耗字元,也就是說,在一個匹配發生後,在最後一次匹配之後立即開始下一次匹配的搜尋,而不是從包含預查的字元之後開始。 |
(?!pattern) | 正向否定預查,在任何不匹配pattern的字串開始處匹配查詢字串。這是一個非獲取匹配,也就是說,該匹配不需要獲取供以後使用。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) | 反向肯定預查,與正向肯定預查類似,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) | 反向否定預查,與正向否定預查類似,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”。 |
x|y | 匹配x或y。例如,“z|food”能匹配“z”或“food”。“(z|f)ood”則匹配“zood”或“food”。 |
[xyz] | 字元集合。匹配所包含的任意一個字元。例如,“[abc]”可以匹配“plain”中的“a”。 |
[^xyz] | 負值字元集合。匹配未包含的任意字元。例如,“[^abc]”可以匹配“plain”中的“plin”。 |
[a-z] | 字元範圍。匹配指定範圍內的任意字元。例如,“[a-z]”可以匹配“a”到“z”範圍內的任意小寫字母字元。 注意:只有連字元在字元組內部時,並且出現在兩個字元之間時,才能表示字元的範圍; 如果出字元組的開頭,則只能表示連字元本身. |
[^a-z] | 負值字元範圍。匹配任何不在指定範圍內的任意字元。例如,“[^a-z]”可以匹配任何不在“a”到“z”範圍內的任意字元。 |
\b | 匹配一個單詞邊界,也就是指單詞和空格間的位置。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”。 |
\B | 匹配非單詞邊界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。 |
\cx | 匹配由x指明的控制字元。例如,\cM匹配一個Control-M或回車符。x的值必須為A-Z或a-z之一。否則,將c視為一個原義的“c”字元。 |
\d | 匹配一個數字字元。等價於[0-9]。 |
\D | 匹配一個非數字字元。等價於[^0-9]。 |
\f | 匹配一個換頁符。等價於\x0c和\cL。 |
\n | 匹配一個換行符。等價於\x0a和\cJ。 |
\r | 匹配一個回車符。等價於\x0d和\cM。 |
\s | 匹配任何空白字元,包括空格、製表符、換頁符等等。等價於[ \f\n\r\t\v]。 |
\S | 匹配任何非空白字元。等價於[^ \f\n\r\t\v]。 |
\t | 匹配一個製表符。等價於\x09和\cI。 |
\v | 匹配一個垂直製表符。等價於\x0b和\cK。 |
\w | 匹配包括下劃線的任何單詞字元。等價於“[A-Za-z0-9_]”。 |
\W | 匹配任何非單詞字元。等價於“[^A-Za-z0-9_]”。 |
\xn | 匹配n,其中n為十六進位制轉義值。十六進位制轉義值必須為確定的兩個數字長。例如,“\x41”匹配“A”。“\x041”則等價於“\x04&1”。正則表示式中可以使用ASCII編碼。 |
\num | 匹配num,其中num是一個正整數。對所獲取的匹配的引用。例如,“(.)\1”匹配兩個連續的相同字元。 |
\n | 標識一個八進位制轉義值或一個向後引用。如果\n之前至少n個獲取的子表示式,則n為向後引用。否則,如果n為八進位制數字(0-7),則n為一個八進位制轉義值。 |
\nm | 標識一個八進位制轉義值或一個向後引用。如果\nm之前至少有nm個獲得子表示式,則nm為向後引用。如果\nm之前至少有n個獲取,則n為一個後跟文字m的向後引用。如果前面的條件都不滿足,若n和m均為八進位制數字(0-7),則\nm將匹配八進位制轉義值nm。 |
\nml | 如果n為八進位制數字(0-7),且m和l均為八進位制數字(0-7),則匹配八進位制轉義值nml。 |
\un | 匹配n,其中n是一個用四個十六進位制數字表示的Unicode字元。例如,\u00A9匹配版權符號(©)。 |
\< \> | 匹配詞(word)的開始(\<)和結束(\>)。例如正則表示式\<the\>能夠匹配字串"for the wise"中的"the",但是不能匹配字串"otherwise"中的"the"。注意:這個元字元不是所有的軟體都支援的。 |
\( \) | 將 \( 和 \) 之間的表示式定義為“組”(group),並且將匹配這個表示式的字元儲存到一個臨時區域(一個正則表示式中最多可以儲存9個),它們可以用 \1 到\9 的符號來引用。 |
| | 將兩個匹配條件進行邏輯“或”(Or)運算。例如正則表示式(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:這個元字元不是所有的軟體都支援的。 |
+ | 匹配1或多個正好在它之前的那個字元。例如正則表示式9+匹配9、99、999等。注意:這個元字元不是所有的軟體都支援的。 |
? | 匹配0或1個正好在它之前的那個字元。注意:這個元字元不是所有的軟體都支援的。 |
{i} {i,j} | 匹配指定數目的字元,這些字元是在它之前的表示式定義的。例如正則表示式A[0-9]{3} 能夠匹配字元"A"後面跟著正好3個數字字元的串,例如A123、A348等,但是不匹配A1234。而正則表示式[0-9]{4,6} 匹配連續的任意4個、5個或者6個數字 |
等價字元:
?,*,+,\d,\w 都是等價字元
?等價於匹配長度{0,1}
*等價於匹配長度{0,}
+等價於匹配長度{1,}
\d等價於[0-9]
\w等價於[A-Za-z_0-9]
常用運算子與表示式:
^ 開始
() 域段
[] 包含,預設是一個字元長度
[^] 不包含,預設是一個字元長度
{n,m} 匹配長度
. 任何單個字元(\. 字元點)
| 或
\ 轉義
$ 結尾
[A-Z] 26個大寫字母
[a-z] 26個小寫字母
[0-9] 0至9數字
[A-Za-z0-9] 26個大寫字母、26個小寫字母和0至9數字
分割語法:
[A,H,T,W] 包含A或H或T或W字母
[a,h,t,w] 包含a或h或t或w字母
[0,3,6,8] 包含0或3或6或8數字
語法與釋義:
基礎語法 "^([]{})([]{})([]{})$"
正則字串 = "開始([包含內容]{長度})([包含內容]{長度})([包含內容]{長度})結束"
?,*,+,\d,\w 這些都是簡寫的,完全可以用[]和{}代替,在(?:)(?=)(?!)(?<=)(?<!)(?i)(*?)(+?)這種特殊組合情況下除外。
簡寫例項:
字串;tel:086-0666-88810009999
原始正則:"^tel:[0-9]{1,3}-[0][0-9]{2,3}-[0-9]{8,11}$"
速記理解:開始 "tel:普通文字"[0-9數字]{1至3位}"-普通文字"[0數字][0-9數字]{2至3位}"-普通文字"[0-9數字]{8至11位} 結束"
等價簡寫後正則寫法:"^tel:\d{1,3}-[0]\d{2,3}-\d{8,11}$" ,簡寫語法不是所有語言都支援。
1.驗證使用者名稱和密碼:("^[a-zA-Z]\w{5,15}$")正確格式:"[A-Z][a-z]_[0-9]"組成,並且第一個字必須為字母6~16位;
2.驗證電話號碼:("^(\\d{3,4}-)\\d{7,8}$")正確格式:xxx/xxxx-xxxxxxx/xxxxxxxx;
3.驗證手機號碼:"^1[3|4|5|7|8][0-9]\\d{8}$";
4.驗證身份證號(15位或18位數字):"\\d{14}[[0-9],0-9xX]";
5.驗證Email地址:("^\\w+([-+.]\\w+)*@\\w+([-.]\\w+)*\.\\w+([-.]\\w+)*$");
6.只能輸入由數字和26個英文字母組成的字串:("^[A-Za-z0-9]+$") ;
7.整數或者小數:^[0-9]+([.]{0,1}[0-9]+){0,1}$
8.只能輸入數字:"^[0-9]*$"。
9.只能輸入n位的數字:"^\\d{n}$"。
10.只能輸入至少n位的數字:"^\\d{n,}$"。
11.只能輸入m~n位的數字:"^\\d{m,n}$"。
12.只能輸入零和非零開頭的數字:"^(0|[1-9][0-9]*)$"。
13.只能輸入有兩位小數的正實數:"^[0-9]+(.[0-9]{2})?$"。
14.只能輸入有1~3位小數的正實數:"^[0-9]+(\.[0-9]{1,3})?$"。
15.只能輸入非零的正整數:"^\+?[1-9][0-9]*$"。
16.只能輸入非零的負整數:"^\-[1-9][]0-9"*$。
17.只能輸入長度為3的字元:"^.{3}$"。
18.只能輸入由26個英文字母組成的字串:"^[A-Za-z]+$"。
19.只能輸入由26個大寫英文字母組成的字串:"^[A-Z]+$"。
20.只能輸入由26個小寫英文字母組成的字串:"^[a-z]+$"。
21.驗證是否含有^%&',;=?$\"等字元:"[^%&',;=?$\x22]+"。
22.只能輸入漢字:"^[\u4e00-\u9fa5]{0,}$"。
23.驗證URL:"^http://([\\w-]+\.)+[\\w-]+(/[\\w-./?%&=]*)?$"。
24.驗證一年的12個月:"^(0?[1-9]|1[0-2])$"正確格式為:"01"~"09"和"10"~"12"。
25.驗證一個月的31天:"^((0?[1-9])|((1|2)[0-9])|30|31)$"正確格式為;"01"~"09"、"10"~"29"和“30”~“31”。
26.獲取日期正則表示式:\\d{4}[年|\-|\.]\\d{\1-\12}[月|\-|\.]\\d{\1-\31}日?
評註:可用來匹配大多數年月日資訊。
27.匹配雙位元組字元(包括漢字在內):[^\x00-\xff]
評註:可以用來計算字串的長度(一個雙位元組字元長度計2,ASCII字元計1)
28.匹配空白行的正則表示式:\n\s*\r
評註:可以用來刪除空白行
29.匹配HTML標記的正則表示式:<(\S*?)[^>]*>.*?</>|<.*? />
評註:網上流傳的版本太糟糕,上面這個也僅僅能匹配部分,對於複雜的巢狀標記依舊無能為力
30.匹配首尾空白字元的正則表示式:^\s*|\s*$
評註:可以用來刪除行首行尾的空白字元(包括空格、製表符、換頁符等等),非常有用的表示式
31.匹配網址URL的正則表示式:[a-zA-z]+://[^\s]*
評註:網上流傳的版本功能很有限,上面這個基本可以滿足需求
32.匹配帳號是否合法(字母開頭,允許5-16位元組,允許字母數字下劃線):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
評註:表單驗證時很實用
33.匹配騰訊QQ號:[1-9][0-9]\{4,\}
評註:騰訊QQ號從10 000 開始
34.匹配中國郵政編碼:[1-9]\\d{5}(?!\d)
評註:中國郵政編碼為6位數字
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?)。