C++之正则表达式20171121

准确来说，不论在C++或C中，只要在Linux系统中都可以使用本文讲诉的正则表达式使用方式。

一、Linux中正则表达式的使用步骤：

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()
4. 错误处理 regerror()

二、使用举例：

 /*****************************************************************************
 * Copyright (C) 2017-2018 Hanson Yu  All rights reserved.
 ------------------------------------------------------------------------------
 * File Module        :     Regex.c
 * Description        :     

 [yweifeng@localhost test]$ gcc -o Regex Regex.c
 [yweifeng@localhost test]$ ./Regex
 Match
 a=fmtp:96 packetization-mode=1;profile-level-id=640020;sprop-parameter-sets=Z2QAIKzZQEgG2wEQAAADABAAAAMB6PGDGWA=,aOvjyyLA
 1
 640020
 Z2QAIKzZQEgG2wEQAAADABAAAAMB6PGDGWA=
 aOvjyyLA
 [yweifeng@localhost test]$ 

 * Created            :     2017.11.01.
 * Author            :     Yu Weifeng
 * Function List         :
 * Last Modified     :
 * History            :
 ******************************************************************************/
 #include <stdio.h>
 #include <stdlib.h>

 #include <regex.h>

 /*****************************************************************************
 -Fuction        : main
 -Description    : main
 .点            匹配除“\r\n”之外的任何单个字符
 *                匹配前面的子表达式任意次。例如，zo*能匹配“z”，也能匹配“zo”以及“zoo”。*等价于o{0,}
 (pattern)        匹配模式串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
 [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”。
 +                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,}。
                 //如下例子中不用+，默认是一次，即只能匹配到一个数字6

 [A-Za-z0-9]     26个大写字母、26个小写字母和0至9数字

 [A-Za-z0-9+/=]    26个大写字母、26个小写字母0至9数字以及+/= 三个字符

 -Input            :
 -Output         :
 -Return         :
 * Modify Date      Version         Author           Modification
 * -----------------------------------------------
 * 2017/11/01      V1.0.0         Yu Weifeng       Created
 ******************************************************************************/
 int main(int argc,char **argv)
 {
     int i,j=;
     char acErrBuf[];
     int iRet=-;
     regex_t tReg;    //定义一个正则实例
     const char *strPattern = "a=.*packetization-mode=([0-9]+);profile-level-id=([0-9]+);sprop-parameter-sets=([A-Za-z0-9+/=]+),([A-Za-z0-9]+)";//定义模式串
     //const char *strPattern = "a=.*packetization-mode=([0-9]+);profile-level-id=([0-9]+);sprop-parameter-sets=([A-Za-z0-9]+)";//定义模式串
     char *pStrBuf = "a=fmtp:96 packetization-mode=1;profile-level-id=640020;sprop-parameter-sets=Z2QAIKzZQEgG2wEQAAADABAAAAMB6PGDGWA=,aOvjyyLA;";   //定义待匹配串
     const size_t dwMatch = ;    //定义匹配结果最大允许数        //表示允许几个匹配
     regmatch_t atMatch[];   //定义匹配结果在待匹配串中的下标范围    //存储匹配串位置的数组
     //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

     //REG_ICASE 匹配字母时忽略大小写。
     iRet =regcomp(&tReg, strPattern, REG_EXTENDED);    //编译正则模式串
     if(iRet != )
     {
         regerror(iRet, &tReg, acErrBuf, sizeof(acErrBuf));
         printf("Regex Error: %s\n", acErrBuf);
     }
     else
     {
         iRet = regexec(&tReg, pStrBuf, dwMatch, atMatch, ); //匹配他
         if (iRet == REG_NOMATCH)
         { //如果没匹配上
             printf("No Match\n");
         }
         else if (iRet == REG_NOERROR)
         {  //如果匹配上了
             printf("Match\n");
             for(j=;j<dwMatch;j++)
             {
                 for (i= atMatch[j].rm_so; i < atMatch[j].rm_eo; i++)
                 { //遍历输出匹配范围的字符串
                     printf("%c", pStrBuf[i]);
                 }
                 printf("\n");
             }
         }
         else
         {
             printf("Unknow err:%d",iRet);
         }

         regfree(&tReg);  //释放正则表达式
     }

     return ;
 }

Regex.c

 /*****************************************************************************
 * Copyright (C) 2017-2018 Hanson Yu  All rights reserved.
 ------------------------------------------------------------------------------
 * File Module        :     Regex.c
 * Description        :     

 [yweifeng@localhost test]$ gcc -o Regex Regex.c
 [yweifeng@localhost test]$ ./Regex
 Match
 a=fmtp:96 packetization-mode=1;profile-level-id=640020;sprop-parameter-sets=Z2QAIKzZQEgG2wEQAAADABAAAAMB6PGDGWA=,aOvjyyLA
 1
 640020
 Z2QAIKzZQEgG2wEQAAADABAAAAMB6PGDGWA=
 aOvjyyLA
 [yweifeng@localhost test]$ 

 * Created            :     2017.11.01.
 * Author            :     Yu Weifeng
 * Function List         :
 * Last Modified     :
 * History            :
 ******************************************************************************/
 #include <stdio.h>
 #include <stdlib.h>

 #include <regex.h>

 /*****************************************************************************
 -Fuction        : main
 -Description    : main
 .点            匹配除“\r\n”之外的任何单个字符
 *                匹配前面的子表达式任意次。例如，zo*能匹配“z”，也能匹配“zo”以及“zoo”。*等价于o{0,}
 (pattern)        匹配模式串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
 [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”。
 +                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,}。
                 //如下例子中不用+，默认是一次，即只能匹配到一个数字6

 [A-Za-z0-9]     26个大写字母、26个小写字母和0至9数字

 [A-Za-z0-9+/=]    26个大写字母、26个小写字母0至9数字以及+/= 三个字符

 -Input            :
 -Output         :
 -Return         :
 * Modify Date      Version         Author           Modification
 * -----------------------------------------------
 * 2017/11/01      V1.0.0         Yu Weifeng       Created
 ******************************************************************************/
 int main(int argc,char **argv)
 {
     int i,j=;
     char acErrBuf[];
     int iRet=-;
     regex_t tReg;    //定义一个正则实例
     const char *strPattern = "a=.*packetization-mode=([0-9]+);profile-level-id=([0-9]+)";//定义模式串
     //profile-level-id=640020;profile-level-id=640021; 相同的,只能匹配前一个
     char *pStrBuf = "a=fmtp:96 packetization-mode=1;profile-level-id=640020;profile-level-id=640021";   //定义待匹配串
     const size_t dwMatch = ;    //定义匹配结果最大允许数        //表示允许几个匹配
     regmatch_t atMatch[];   //定义匹配结果在待匹配串中的下标范围    //存储匹配串位置的数组
     //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

     //REG_ICASE 匹配字母时忽略大小写。
     iRet =regcomp(&tReg, strPattern, REG_EXTENDED);    //编译正则模式串
     if(iRet != )
     {
         regerror(iRet, &tReg, acErrBuf, sizeof(acErrBuf));
         printf("Regex Error: %s\n", acErrBuf);
     }
     else
     {
         iRet = regexec(&tReg, pStrBuf, dwMatch, atMatch, ); //匹配他
         if (iRet == REG_NOMATCH)
         { //如果没匹配上
             printf("No Match\n");
         }
         else if (iRet == REG_NOERROR)
         {  //如果匹配上了
             printf("Match\n");
             for(j=;j<dwMatch;j++)
             {
                 for (i= atMatch[j].rm_so; i < atMatch[j].rm_eo; i++)
                 { //遍历输出匹配范围的字符串
                     printf("%c", pStrBuf[i]);
                 }
                 printf("\n");
             }
         }
         else
         {
             printf("Unknow err:%d",iRet);
         }

         regfree(&tReg);  //释放正则表达式
     }

     return ;
 }

RegexSame.c

三、使用说明：

1. int regcomp (regex_t *compiled, const char *pattern, int cflags)
• 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
• regex_t 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
• pattern 是指向我们写好的正则表达式的指针
• cflags 有如下4个值或者是它们或运算(|)后的值：
• 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. int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr [], int eflags)
• 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
• regmatch_t 是一个结构体数据类型，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
• compiled 是已经用regcomp函数编译好的正则表达式
• string 是目标文本串
• nmatch 是regmatch_t结构体数组的长度
• matchptr
  regmatch_t类型的结构体数组，存放匹配文本串的位置信息
• eflags 有两个值
• REG_NOTBOL 按我的理解是如果指定了这个值，那么’^’就不会从我们的目标串开始匹配。总之我到现在还不是很明白这个参数的意义
• REG_NOTEOL 和上边那个作用差不多，不过这个指定结束end of line
3. void regfree (regex_t *compiled)
• 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c
4. 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
• errcode 是由regcomp 和 regexec 函数返回的错误代号
• compiled 是已经用regcomp函数编译好的正则表达式，这个值可以为NULL
• buffer 指向用来存放错误信息的字符串的内存空间
• 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。

四、正则表达式模式串的介绍

1.符号

（摘自《正则表达式之道》）

正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，我们下面会给予解释。

在最简单的情况下，一个正则表达式看上去就是一个普通的查找串。例如，正则表达式"testing"中没有包含任何元字符，它可以匹配"testing"和"testing123"等字符串，但是不能匹配"Testing"。

要想真正的用好正则表达式，正确的理解元字符是最重要的事情。下表列出了所有的元字符和对它们的一个简短的描述。

元字符	描述
\	将下一个字符标记符、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“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	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任意次。例如，zo*能匹配“z”，也能匹配“zo”以及“zoo”。*等价于o{0,}
+	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}。
{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为一组，后三个o为一组。“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,}，{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+”将尽可能多的匹配“o”，得到结果[“oooo”]，而“o+?”将尽可能少的匹配“o”，得到结果 ['o', 'o', 'o', '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)	非获取匹配，匹配pattern但不获取匹配结果，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时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern)	非获取匹配，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，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)	非获取匹配，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，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)	非获取匹配，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)	非获取匹配，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”。这个地方不正确，有问题 此处用或任意一项都不能超过2位，如“(?<!95|98|NT|20)Windows正确，“(?<!95|980|NT|20)Windows 报错，若是单独使用则无限制，如(?<!2000)Windows 正确匹配
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”(此处请谨慎)。“[zf]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。
\b	匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。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]。grep 要加上-P，perl正则支持
\D	匹配一个非数字字符。等价于[^0-9]。grep要加上-P，perl正则支持
\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	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。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。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。
\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（&copy;）。
\p{P}	小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一：标点字符。 其他六个属性： L：字母； M：标记符号（一般不会单独出现）； Z：分隔符（比如空格、换行等）； S：符号（比如数学符号、货币符号等）； N：数字（比如阿拉伯数字、罗马数字等）； C：其他字符。 *注：此语法部分语言不支持，例：javascript。
\< \>	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。
( )	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。

最简单的元字符是点，它能够匹配任何单个字符（注意不包括换行符）。

2.速记理解

. [ ] ^ $四个字符是所有语言都支持的正则表达式，所以这四个是基础的正则表达式。正则难理解因为里面有一个等价的概念，这个概念大大增加了理解难度，让很多初学者看起来会懵，如果把等价都恢复成原始写法，自己书写正则就超级简单了，就像说话一样去写你的正则了：

　　等价：

等价是等同于的意思，表示同样的功能，用不同符号来书写。

?,*,+,\d,\w 都是等价字符
　　?等价于匹配长度{0,1}
　　*等价于匹配长度{0,} 
　　+等价于匹配长度{1,}
　　\d等价于[0-9]

\D等价于[^0-9]
　　\w等价于[A-Za-z_0-9]

\W等价于[^A-Za-z_0-9]。

常用运算符与表达式：
　　^ 开始
　　（）
域段
　　[] 包含,默认是一个字符长度
　　[^] 不包含,默认是一个字符长度
　　{n,m} 匹配长度 
　　. 任何单个字符(\. 字符点)
　　| 或
　　\ 转义
　　$ 结尾
　　[A-Z] 26个大写字母
　　[a-z] 26个小写字母
　　[0-9] 0至9数字

[A-Za-z0-9] 26个大写字母、26个小写字母和0至9数字
　　，
分割
　　分割语法：
　　[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数字

　　语法与释义：
　　基础语法 "^([]{})([]{})([]{})$"
　　正则字符串 = "开始（[包含内容]{长度}）（[包含内容]{长度}）（[包含内容]{长度}）结束" 
　　
　　?,*,+,\d,\w 这些都是简写的,完全可以用[]和{}代替，在(?:)(?=)(?!)(?<=)(?<!)(?i)(*?)(+?)这种特殊组合情况下除外。
　　初学者可以忽略?,*,+,\d,\w一些简写标示符，学会了基础使用再按表自己去等价替换
　　
　　实例：
　　字符串；tel:086-0666-88810009999
　　原始正则："^tel:[0-9]{1,3}-[0][0-9]{2,3}-[0-9]{8,11}$" 
　　速记理解：开始 "tel:普通文本"[0-9数字]{1至3位}"-普通文本"[0数字][0-9数字]{2至3位}"-普通文本"[0-9数字]{8至11位} 结束"
　　等价简写后正则写法："^tel:\d{1,3}-[0]\d{2,3}-\d{8,11}$" ，简写语法不是所有语言都支持。

五、参考原文

https://baike.baidu.com/item/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F/1700215?fr=aladdin

http://pubs.opengroup.org/onlinepubs/009695399/functions/regcomp.html

http://www.yingzinanfei.com/2017/02/06/c-regex-yongfa/

http://blog.csdn.net/yingzinanfei/article/details/54893394

http://www.cnblogs.com/pmars/archive/2012/10/24/2736831.html