一、在 C 程序中使用正则#

使用 POSIX 正则函数需要包含头文件：

1
#include <regex.h>

1
regex_t reg;

1
regcomp(&reg, regstr, 0);

1
regfree(&reg);

1
regexec(&reg, data, regnum, match, 0);

二、数据源可以来自哪里#

正则函数匹配的是进程能够访问的数据，并不局限于某一种输入形式

1. 文件数据：先 open() 打开文件，再用 read() 把内容读入缓冲区
2. 标准输入：用户运行程序后从 stdin 输入的数据
3. 程序参数：执行程序时通过命令行传入的数据
4. 内存数据：程序已经保存在某段内存中的数据

main() 的两个参数

1
./app ad 20 8

1
int main(int argc, char** argv)

此时：

1
argc    = 4
2
argv[0] = "./app"
3
argv[1] = "ad"
4
argv[2] = "20"
5
argv[3] = "8"

程序路径 ./app 本身也算一个参数。只要进程能够访问这些字符串，就可以把它们作为正则匹配的数据源

三、表达式数量与父、子表达式#

1
<name>刘备</name>

1
<name>\([^<]\+\?\)</name>

1
表达式数量 = 子表达式数量 + 1

1
<a href="https://www.baidu.com">点击访问百度</a>

四、regmatch_t 与匹配位置#

regexec() 不会直接把目标文本复制到新字符串中，而是通过 regmatch_t 数组告诉程序“结果位于数据源的什么位置”

1
regmatch_t match[regnum];

每个 regmatch_t 元素保存两个关键偏移

• rm_so：匹配结果的起始位置
• rm_eo：匹配结果的末尾位置

数组各元素的含义

• match[0]：父表达式，也就是完整匹配结果的位置
• match[1]：第一个子表达式的位置
• match[2]：第二个子表达式的位置
• 后续元素依次对应后续子表达式

因此，数组长度等于表达式数量；每个元素又能保存起始与末尾两个位置

例如

1
snprintf(name,
2
         match[1].rm_eo - match[1].rm_so + 1,
3
         "%s",
4
         data + match[1].rm_so);

理解这一行：

1. match[1].rm_so 是姓名子表达式的起点。
2. match[1].rm_eo - match[1].rm_so 是姓名长度。
3. data + match[1].rm_so 把数据源指针移动到姓名起始位置。
4. 长度再加 1，为字符串末尾的 \0 留出位置。

五、用 mmap 快速取得文件内容#

把整个小文件映射到进程内存中，随后直接把映射地址作为正则匹配的数据源

基本步骤：

1. open() 打开文件
2. lseek() 移动到文件末尾并取得文件大小
3. mmap() 建立映射
4. 映射成功后，指针指向的内存就包含文件数据
5. 文件描述符不再需要时调用 close()
6. 使用结束后调用 munmap() 解除映射

示例

1
int fd = open("a.html", O_RDWR);
2
int fsize = lseek(fd, 0, SEEK_END);
3

4
char* mmap_ptr = NULL;
5
mmap_ptr = mmap(NULL,
6
                fsize,
7
                PROT_READ | PROT_WRITE,
8
                MAP_PRIVATE,
9
                fd,
10
                0);
11
close(fd);

参数含义：

• NULL：由系统选择映射地址。
• fsize：映射长度等于文件大小。
• PROT_READ | PROT_WRITE：映射区可读、可写。
• MAP_PRIVATE：建立私有映射。
• fd：被映射文件的描述符。
• 0：从文件起始位置开始映射。

循环匹配时会不断移动 mmap_ptr，因此要先保存原始映射地址，最后才能正确解除映射

1
char* copy_ptr = mmap_ptr;

六、邮箱匹配练习#

1
[email protected]
2
[email protected]
3
[email protected]
4
ludya^_^@163.com
5
[email protected]
6
[email protected]
7
[email protected]
8
[email protected]

限定条件

• 用户名长度为 8～15 个字符
• 用户名由大小写字母、数字或下划线组成
• 企业名由大小写字母或数字组成
• 后缀只接受 .com 或 .cn
• 必须从行首匹配到行尾，不能只截取一行中的局部内容

1
grep '^[a-zA-Z0-9_]\{8,15\}@[a-zA-Z0-9]\+\.\(com\|cn\)$' b.c